©2026 MIT Sloan Management Review Brasil. Todos os direitos reservados. A reprodução, total ou parcial, é proibida sem a autorização prévia e expressa do CNEX.

Em meados da década passada, 2030 era usado como marco para projeções de longo prazo. Hoje, representa apenas um ciclo estratégico de curto a médio prazo. Mas as mudanças que devem ocorrer nas organizações em menos de quatro anos são imensas; e poucas áreas vão mudar tanto quanto operações. A revolução provocada pela inteligência artificial irá muito além de uma nova onda de automação: vai abalar de forma profunda a fronteira entre executar, decidir e responder pelo resultado.

A tese que guia essa revolução é: a operação está deixando de ser o lugar onde a empresa executa trabalho e passa a ser a infraestrutura por meio da qual ela decide, reage e entrega resultado. A inteligência artificial acelera esse movimento porque deixa de apenas apoiar pessoas e começa a interpretar contexto, tomar decisões recorrentes e executar ações dentro de limites definidos.

É uma mudança relevante; por décadas, excelência operacional significou principalmente executar melhor. Padronizar. Reduzir variabilidade. Aumentar produtividade. Cumprir acordos de nível de serviço (SLAs). Diminuir custo unitário. Tudo isso continua importante, mas insuficiente. Uma empresa pode ter cada área batendo sua meta e, ainda assim, entregar uma experiência ruim, perder margem ou demorar demais para reagir a uma mudança de mercado.

A próxima fronteira da excelência operacional não é fazer a mesma operação mais rápido. É construir uma operação que saiba o que fazer sem depender de uma intervenção humana a cada decisão.

O futuro esbarra na operação de hoje

O primeiro problema é: a tecnologia está evoluindo mais rápido do que o modelo operacional das empresas. Boa parte das organizações ainda funciona a partir da divisão em departamentos. Além disso, têm sistemas pouco integrados, e adotam indicadores locais e cadeias de aprovação ultrapassadas. O resultado é conhecido: cada área otimiza o indicador pelo qual é cobrada: vendas otimiza conversão; crédito reduz exposição; atendimento persegue tempo médio; finanças cobra prazo. Cada área pode estar tecnicamente correta e, mesmo assim, o resultado de ponta a ponta ser ruim.

Isso se deve a um fato simples: o cliente não compra a eficiência de cada departamento. Ele recebe o resultado do sistema inteiro.

Nesse ambiente, colocar agentes de IA sobre os processos existentes pode gerar produtividade sem gerar transformação. Uma aprovação desnecessária continua desnecessária quando passa a ser feita por um agente. Um dado ruim continua ruim quando é consumido por um modelo. Um conflito entre áreas não desaparece porque a recomendação passou a chegar em segundos.

A IA não corrige o desenho operacional. Ela o expõe. E, quando mal aplicada, industrializa a burocracia. Então, para que a IA consiga de fato, revolucionar as operações, as organizações devem seguir cinco movimentos:

1. Simplificar antes de automatizar
2. Conectar a operação de ponta a ponta
3. Delegar decisões, não apenas tarefas
4. Governar a autonomia
5. Medir o desempenho pelo resultado, não pelo esforço

É justamente a distância entre a operação de hoje e a que se projeta para o fim da década que costuma ser subestimada. Sistemas autônomos podem evoluir rapidamente. Processos, responsabilidades, dados, métricas e modelos de governança, não. Na prática, essa transformação segue uma sequência que parece simples, mas não admite muitos atalhos. Simplificar. Conectar ponta a ponta. Delegar decisões. Governar a autonomia. Medir resultado. A ordem importa. Tentar pular uma dessas etapas normalmente cria automação local, mas não uma nova capacidade operacional.

1 Simplificar antes de automatizar

O ponto de partida é simples: simplificar antes de automatizar. A evidência reforça o alerta. A pressão já chegou ao modelo operacional. Uma pesquisa recente da Gartner mostra que 80% dos CEOs esperam que a inteligência artificial provoque mudanças de média a alta intensidade nas capacidades operacionais de suas empresas. O problema raramente está na falta de casos de uso. Está em tentar escalar tecnologia sobre processos fragmentados, dados inconsistentes, regras contraditórias e responsabilidades pouco claras. A IA pode acelerar a execução. Mas, sem redesenho operacional, ela também acelera a complexidade. Quando isso acontece, a ferramenta avança e a operação fica para trás.

Há ainda um obstáculo menos visível: nossas métricas continuam olhando para esforço. Quantos casos foram processados, quantos tickets foram fechados, quantas pessoas estão alocadas, quanto tempo durou uma chamada. São indicadores úteis para administrar capacidade, mas dizem pouco sobre a qualidade do resultado. Quando a execução passa a ser compartilhada entre pessoas, agentes e plataformas, essa lógica começa a perder sentido.

O maior obstáculo à operação autônoma não é a capacidade da IA. É a ambiguidade da própria empresa.

O primeiro passo é remover complexidade antes de ensinar a tecnologia a conviver com ela. Isso exige revisar regras, aprovações, exceções, cadastros, handoffs e controles. Algumas dessas etapas existem por risco real. Outras apenas compensam sistemas que não conversam, responsabilidades mal distribuídas ou decisões que ninguém teve coragem de eliminar.

Automatizar tudo indistintamente preserva o passado. A pergunta mais útil não é “o que pode ser automatizado?”, mas “o que ainda deveria existir?”. Em muitos processos, a maior oportunidade de eficiência continua sendo parar de fazer.

2 Conectar antes de acelerar

Depois vem a mudança mais difícil: sair da lógica funcional e organizar a operação em torno de cadeias de valor. Isso significa ligar áreas que hoje são medidas separadamente a um mesmo resultado. Pedido entregue. Problema resolvido. Crédito saudável. Receita recuperada. Cliente retido.

Essa visão muda a unidade de gestão. O processo isolado perde importância diante do fluxo completo. A operação passa a ser enxergada como um sistema de decisões interdependentes. Se uma decisão melhora o KPI de uma área e piora o resultado do cliente, ela não é uma boa decisão operacional.

3 Delegar decisões, não apenas tarefas

É nesse ponto que a IA agêntica muda de fato a equação. A automação tradicional executava uma regra. O agente começa a interpretar uma situação, escolher um caminho e agir sobre outros sistemas. A fronteira deixa de ser simplesmente tecnológica e passa a ser gerencial.

Imagine uma contestação de cobrança. Um agente pode consultar histórico, identificar padrões, aplicar uma política e oferecer uma solução. Mas o caso pode envolver uma falha anterior de faturamento, um cliente estratégico ou um risco regulatório. O desafio não é saber se a tecnologia consegue decidir. É estabelecer em quais condições ela deve decidir sozinha, quando deve pedir contexto e quando precisa escalar para uma pessoa.

O desafio não é saber se a tecnologia consegue decidir. É estabelecer em quais condições ela deve decidir sozinha, quando deve pedir contexto e quando precisa escalar para uma pessoa

Automatizar uma tarefa é uma discussão de produtividade. Delegar uma decisão é uma discussão de responsabilidade.

É por isso que o mapa de processos precisa ganhar uma nova camada. Além de mostrar onde o trabalho passa, ele deve explicitar quais decisões existem, quais dados sustentam cada uma, qual o limite de autonomia, qual o orçamento de risco e quem responde pelo resultado. Na prática, a empresa começa a construir uma arquitetura de decisões.

4 Governar autonomia sem voltar à microgestão

Autonomia não significa ausência de controle. Significa trocar controle manual por regras claras, rastreabilidade e capacidade de intervenção. A Gartner estima que, até 2027, 50% das decisões de negócio serão aprimoradas ou automatizadas por agentes de IA e que, até 2029, 80% dos incidentes comuns de atendimento ao cliente poderão ser resolvidos de forma autônoma. O dado é menos interessante como previsão tecnológica do que como desafio de gestão: quanto mais decisões saem da intervenção humana direta, mais explícitos precisam ser os limites, as alçadas e a responsabilidade pelo resultado.

Isso muda o papel humano. A frase “as pessoas ficarão com atividades de maior valor” é reconfortante, mas incompleta. Maior valor exige repertório, autoridade e capacidade de julgamento. Se o profissional apenas confirma a recomendação do sistema, continuamos com intervenção humana, mas sem julgamento humano.

Em uma operação autônoma, o humano não sai da equação. Sai da microdecisão.

A liderança também muda. Em vez de aprovar casos individuais, passa a definir limites. Em vez de acompanhar filas, desenha regras de escalonamento. Em vez de perguntar apenas se o processo está funcionando, precisa saber se as decisões tomadas pelo sistema continuam produzindo o resultado esperado.

Essa governança precisa acontecer em tempo real. Não basta auditar depois. Quanto maior a autonomia, maior a necessidade de saber o que foi decidido, com base em quais dados, sob qual regra e com qual consequência. Autonomia sem rastreabilidade deixa de ser eficiência e vira risco operacional.

5 Medir resultado muda a economia da operação

Quando pessoas deixam de ser a principal unidade de capacidade, o modelo econômico também muda. É nesse contexto que ganha força a evolução para Operations as a Service, combinando pessoas, IA e plataforma em torno de um resultado operacional. Um estudo recente da NTT DATA aponta que 45% dos compradores de serviços tecnológicos já planejam adotar modelos de preços baseados em resultados. O mercado começa a sair da compra de capacidade e entrar na contratação de desempenho.

Isso não significa que FTEs e SLAs desaparecem de um dia para o outro. Significa que deixam de ocupar o centro da conversa. No atendimento, resolver o problema importa mais do que reduzir alguns segundos do tempo médio. Na cobrança, recuperar valor com sustentabilidade importa mais do que realizar mais contatos. Em tecnologia, estabilidade e recuperação passam a valer tanto quanto produtividade.

Se a tecnologia rompe a relação entre crescimento e custo, vender esforço deixa de ser uma boa forma de explicar valor.

Esse movimento também eleva a resiliência. Uma operação realmente inteligente não é apenas rápida quando tudo funciona. Ela precisa continuar operando quando um fornecedor falha, um modelo perde desempenho, uma regra muda ou uma camada externa fica indisponível. Resiliência deixa de ser plano de contingência e passa a fazer parte do desenho.

É aqui que a soberania operacional ganha relevância. Controlar uma operação não significa necessariamente executar tudo internamente. Significa saber onde estão os dados, quais decisões foram delegadas, quais dependências são críticas e como recuperar o comando quando alguma delas falha.

O COO deixa de administrar a máquina e passa a desenhar o sistema

Todas essas mudanças convergem para um novo papel da liderança de operações. O COO tradicional foi formado para garantir execução, produtividade, controle e previsibilidade. Esses atributos continuam essenciais, mas deixam de definir sozinhos a função.

À medida que a execução se torna mais automatizada, a vantagem migra para quem desenha melhor o sistema, quem define as cadeias de valor, quem escolhe quais decisões podem ser delegadas, quem estabelece limites, quem conecta operação, tecnologia, risco e pessoas, quem decide onde a empresa precisa manter soberania. Nesse novo modelo, o COO não será o executivo que mais controla a operação. Será quem melhor projeta as condições para que ela funcione sem depender de controle permanente.

Por isso, a questão mais relevante não é “onde colocar agentes”. O desafio é criar uma cadeia de valor relevante. E, para isso, deve-se analisar questões como “onde o trabalho espera?”, “onde a decisão volta?”, “onde existem exceções demais?”, “quem responde pelo resultado completo?”, :quais decisões poderiam ser delegadas com segurança?” e “quais nunca deveriam ser?”

Nesse sentido, 2030 importa menos como uma data e mais como um horizonte de transformação. Redesenhar cadeias de valor, dados, governança e competências não acontece na velocidade com que uma nova tecnologia pode ser implantada. É justamente por isso que tratar essa agenda como algo para o futuro é uma forma elegante de chegar atrasado. A questão não é quantos pilotos de inteligência artificial uma empresa conseguirá iniciar até lá, mas a profundidade com que conseguirá redesenhar sua forma de operar antes que a tecnologia avance mais rápido do que a organização.

Talvez essa seja a principal mudança de perspectiva. Durante anos, tratamos tecnologia como uma maneira de executar melhor o modelo existente. A inteligência artificial começa a nos obrigar a fazer uma pergunta mais desconfortável: e se o modelo existente não for o modelo certo?

Executar bem continuará sendo indispensável. Mas a próxima geração de excelência operacional será construída em outro nível. Não pela quantidade de tarefas automatizadas, mas pela qualidade das decisões que deixaram de exigir intervenção, pela capacidade de absorver falhas sem interromper o negócio e pela clareza sobre onde a autonomia termina.

A pergunta para 2030 não é quanto trabalho a IA conseguirá fazer. É quanta decisão a empresa conseguirá delegar sem perder o comando do negócio.

Salvar conteúdo 0