©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.

A maturidade que a IA exige das lideranças

Vinicius Caridá

11 de junho de 2026 e atualizado em 10 de junho de 2026

17 min de leitura

Boa parte das empresas que acreditam ter um problema de Inteligência Artificial, na verdade, pode estar enfrentando um problema de gestão.

A narrativa corporativa dominante ainda tende a tratar a IA como uma agenda predominantemente tecnológica: escolher a plataforma certa, contratar infraestrutura de nuvem, capacitar times em ferramentas generativas e esperar que a produtividade emerja como consequência natural. Mas não costuma ser assim que ela emerge.

Transformações tecnológicas raramente não são bem executadas apenas por deficiência técnica ou limitação de software. Em geral, elas perdem força porque a organização que tenta adotá-las não está suficientemente preparada para absorver o tipo de mudança em processos, incentivos, governança e estruturas de decisão que a tecnologia exige.

Uma forma pragmática de olhar para esse desafio é reconhecer que, em qualquer transformação relevante, a maior parte do sucesso depende de pessoas e redesenho de processos; uma parte menor depende de infraestrutura, dados e arquitetura tecnológica; e uma parte ainda menor depende do algoritmo em si. O algoritmo ou o modelo fundacional raramente é o fator limitante. A liderança, em muitos casos, é.

Ainda assim, boa parte das empresas continua tentando incorporar a IA ao modelo operacional existente, em vez de usá-la como gatilho para revisá-lo. O resultado tende a ser conhecido: pilotos promissores, adoção parcial e retorno econômico aquém do potencial.

Esse é um dos aspectos centrais do chamado “Paradoxo da Produtividade da IA”, frequentemente associado à ideia de uma “Curva em J”. No curto prazo, muitas organizações podem perder eficiência antes de capturar ganhos mais estruturais, não porque a tecnologia falha, mas porque ela é introduzida em estruturas concebidas para outra lógica operacional.A IA opera, nesse sentido, como um espelho. Ela tende a refletir e potencializar os atributos atuais da organização. Inserir IA em um sistema com processos pouco adaptados à nova lógica de trabalho não transforma esse sistema automaticamente. Em alguns casos, apenas torna mais visíveis seus pontos de fricção.

A IA está deslocando o gargalo: da execução para a qualidade da decisão

Dentro das organizações, a IA generativa já começa a ampliar a capacidade de execução de times de engenharia, design, análise, marketing, atendimento, operações e gestão de produto. Esse é um avanço importante. Mas velocidade operacional, isoladamente, não constitui vantagem competitiva sustentável.

À medida que construir, testar, analisar e produzir se torna mais rápido, a escassez se desloca. O desafio deixa de ser apenas executar mais e passa a ser decidir melhor: o que deve ser construído, por que deve ser priorizado, quais problemas merecem atenção e quais resultados devem orientar a alocação de energia organizacional.

Esse é um efeito estrutural relevante da IA no trabalho do conhecimento. Ao reduzir o custo da execução, ela aumenta a importância da clareza estratégica, da qualidade da descoberta e validação de problemas, da disciplina de priorização e da conexão entre agenda de produto, experiência do cliente e resultado econômico.

Nesse contexto, líderes precisam evoluir suas métricas. Indicadores como volume de código gerado, número de tarefas concluídas, quantidade de conteúdos produzidos ou velocidade de entrega podem ser úteis para entender eficiência operacional, mas não devem ser confundidos com criação de valor. O que diferencia organizações mais maduras é a capacidade de conectar produtividade a impacto: melhoria real da experiência do cliente, redução de fricção, crescimento sustentável, mitigação de riscos e aprendizado organizacional.

A boa prática, portanto, não é simplesmente usar IA para aumentar a capacidade de entrega. É usar a tecnologia para qualificar o sistema de decisão. Isso significa fortalecer rituais de priorização, explicitar hipóteses de valor, encurtar ciclos de aprendizado, reduzir trabalho sem impacto e dar mais autonomia responsável a times próximos do cliente.

Quando bem conduzida, a IA não apenas acelera a execução. Ela obriga a liderança a elevar o padrão das perguntas. E talvez esse seja um dos seus maiores ganhos: transformar produtividade em foco, velocidade em aprendizado e capacidade operacional em impacto mensurável.

Na minha experiência no Itaú, uma das lições mais claras da transformação digital é que tecnologia, dados, cultura e desenho organizacional precisam evoluir de forma coordenada. Modernizar plataformas, fortalecer o uso de dados e ampliar a aplicação de IA só ganha escala quando vem acompanhado de times multidisciplinares, autonomia responsável e decisões mais orientadas por evidências. Essa lição não é exclusiva do setor financeiro: é uma condição recorrente de transformação em organizações complexas.

Um erro comum da liderança: confundir adoção com treinamento

Quando iniciativas de IA encontram resistência interna, a reação clássica da liderança é assumir que o problema está na capacitação: faltam workshops, faltam treinamentos, faltam orientações sobre uso das ferramentas. Em muitos casos, essa leitura é incompleta.

A matriz comportamental de Skill, ou habilidade, e Will, ou vontade, ajuda a explicar por que a resistência à IA raramente é apenas sobre domínio técnico. Muitas vezes, ela está relacionada a contexto organizacional, incentivos, clareza de papel e percepção de futuro.

Pessoas não resistem apenas porque não sabem usar a ferramenta de copiloto da empresa. Elas resistem quando percebem que a organização está alterando a forma de trabalho sem explicar como isso impacta sua relevância, sua autonomia, seus critérios de avaliação de desempenho e sua trajetória profissional.

Quando a IA é introduzida sem clareza sobre seu propósito, seus princípios de uso e sua conexão com a estratégia da organização, a adoção tende a perder força. A tecnologia deixa de ser percebida apenas como uma alavanca de amplificação e pode passar a ser interpretada com ambiguidade pelas equipes. Por isso, a gestão da mudança precisa ir além do treinamento técnico: ela deve criar contexto, alinhar expectativas e reforçar a conexão entre tecnologia, estratégia e valor gerado.

Por isso, esse não é apenas um problema de alfabetização tecnológica. É também um problema de liderança e gestão de mudança.

Empresas que capturam valor real com IA entendem que foco em pessoas não é uma retórica de recursos humanos. É uma disciplina estratégica. Revisar fluxos de trabalho sem revisar papéis, incentivos, capacidades e critérios de decisão é uma forma eficiente de comprometer o retorno da transformação.

Confiança operacional: a base para escalar IA com responsabilidade

A adoção de IA generativa também exige atenção a um ativo organizacional menos visível, mas decisivo: a confiança.

À medida que ferramentas inteligentes ampliam a capacidade de execução, as organizações passam a operar com mais dados, mais velocidade e mais instrumentos para entender seus fluxos de trabalho. Essa transparência pode ser poderosa quando usada para remover fricções, melhorar decisões, apoiar o desenvolvimento de talentos e aproximar a operação dos resultados esperados. Mas ela precisa vir acompanhada de clareza, contexto e responsabilidade.

O ponto não é reduzir a exigência por performance. Pelo contrário. Organizações que avançam de forma consistente combinam padrão elevado de entrega com ambientes nos quais as pessoas se sentem seguras para compartilhar conhecimento, questionar premissas, sinalizar riscos e aprender com experimentos. Em um contexto de IA, essa combinação se torna ainda mais importante, porque a tecnologia acelera a produção de alternativas, mas a qualidade do resultado continua dependendo da colaboração, do julgamento distribuído e da capacidade coletiva de adaptação.

Por isso, a governança de métricas se torna uma disciplina crítica. Indicadores de atividade podem ajudar a entender eficiência, mas precisam ser interpretados à luz de impacto, qualidade, aprendizado, colaboração e experiência do cliente.

A confiança passa, então, a ser uma condição importante para a adoção responsável da IA. Times que compreendem os objetivos da transformação, os critérios de avaliação e a forma como os dados serão utilizados tendem a colaborar melhor, compartilhar conhecimento com mais fluidez e tomar decisões com mais responsabilidade. Quando essas referências não estão claras, a colaboração pode perder fluidez, reduzindo justamente parte do valor que a IA deveria ampliar.

Escalar IA com responsabilidade exige, portanto, mais do que ferramentas e treinamentos. Exige transparência sobre objetivos, clareza sobre critérios de avaliação, rituais consistentes de feedback e lideranças capazes de equilibrar produtividade com confiança.

A pergunta relevante deixa de ser apenas: “quanto mais conseguimos produzir com IA?”. A pergunta mais importante passa a ser: “como usamos IA para produzir melhor, aprender mais rápido e fortalecer as relações que sustentam a execução?”.

A IA não reduz a importância da senioridade. Ela a amplifica.

Outro equívoco recorrente é interpretar a IA como um mecanismo de comoditização da expertise. Não é.

Modelos fundacionais e sistemas generativos são probabilísticos. Eles operam sobre padrões estatísticos e produzem respostas plausíveis, mas não substituem discernimento. Não compreendem, por si só, a arquitetura organizacional, os trade-offs de longo prazo, as restrições políticas nem o custo futuro de decisões aparentemente corretas.

Ironicamente, quanto maior for o volume de trabalho produzido em alta velocidade pela IA, maior será a necessidade de julgamento humano qualificado para exercer curadoria rigorosa, contextualização estratégica e validação de riscos.

Em termos pragmáticos, a IA reduz parte do trabalho mecânico e aumenta o prêmio sobre pensamento crítico, repertório, experiência e visão sistêmica.

Executivos que interpretarem a adoção da IA apenas como uma oportunidade para substituir senioridade por automação podem até reduzir custos de curto prazo, mas correm o risco de deteriorar qualidade, memória institucional e capacidade de decisão.

A senioridade muda de forma. Ela deixa de estar concentrada apenas na execução e passa a se manifestar com mais força na capacidade de formular boas perguntas, interpretar sinais fracos, avaliar consequências, conectar domínios e tomar decisões em ambientes ambíguos.

Colaboração humano-IA: o papel da liderança no redesenho do trabalho

Uma contribuição estratégica relevante da IA não está apenas em automatizar atividades, mas em permitir que a organização defina com mais precisão qual deve ser o papel da tecnologia e qual deve continuar sendo o papel humano em cada contexto de trabalho.

Esse ponto é importante porque não existe um único modelo de colaboração entre pessoas e IA. Algumas atividades podem ser amplamente automatizadas. Outras funcionam melhor quando a IA atua como apoio analítico. E há decisões nas quais a intervenção humana deve permanecer explícita, especialmente quando envolvem ambiguidade, risco, impacto reputacional, implicações éticas ou experiência do cliente.

A maturidade está em saber distinguir esses cenários. A pergunta deixa de ser apenas “quais processos podemos automatizar?” e passa a ser “em quais situações a IA deve executar, recomendar, sintetizar, alertar ou apenas apoiar uma decisão humana?”.

Nesse desenho, a IA pode consolidar dados, organizar informações dispersas, identificar padrões, sugerir próximos passos e reduzir esforço operacional em tarefas repetitivas. O papel humano permanece central na definição de critérios, na avaliação de exceções, na ponderação de consequências e na responsabilidade pelas decisões de maior impacto.

O conceito de Human-in-the-Loop deve ser entendido nesse contexto. Ele não é apenas uma etapa formal de aprovação, mas um princípio de desenho responsável: quanto maior o risco, a ambiguidade ou o impacto da decisão, maior deve ser a clareza sobre o tipo de supervisão, intervenção ou julgamento humano necessário.

Para a liderança, isso cria uma nova disciplina de desenho organizacional. Não basta introduzir ferramentas inteligentes nos fluxos existentes. É preciso definir direitos de decisão, critérios de escalonamento, níveis de supervisão, mecanismos de aprendizado e responsabilidades entre pessoas e sistemas.

Essa abordagem evita dois extremos igualmente limitados: tratar a IA como substituta linear do trabalho humano ou manter humanos apenas como validadores passivos da tecnologia. O caminho mais produtivo está em construir modelos de trabalho nos quais automação, governança e julgamento humano se reforcem mutuamente.

Quando bem conduzida, a colaboração humano-IA permite que a organização reduza esforço em atividades de menor valor e concentre mais energia em problemas que exigem contexto, criatividade, relacionamento, avaliação de risco e tomada de decisão qualificada.

Essa é a diferença entre simplesmente automatizar processos e construir um modelo operacional mais inteligente.

Conclusão: o desconforto como uma métrica real de transformação

No fim do dia, talvez uma das maiores contribuições da IA não seja produtividade nem automação. É diagnóstico.

A IA tem uma capacidade incomum de tornar mais visíveis aspectos importantes da qualidade gerencial de uma organização. A forma como uma empresa lida com IA revela:

• se sua estratégia de negócios é clara o suficiente para orientar decisões distribuídas;
• se existem condições para decisões mais distribuídas e responsáveis;
• se a cultura corporativa suporta experimentação responsável;
• se o sistema de incentivos premia impacto real ou apenas volume de atividade;
• se a estrutura burocrática existe por necessidade econômica ou por inércia organizacional.

Em outras palavras, a IA não apenas transforma a empresa. Ela revela quem a empresa realmente é.

Se a adoção de IA em uma organização ocorre sem tensionar processos, decisões e critérios de sucesso, isso deve ser tratado como sinal de atenção. Talvez a organização não esteja conduzindo uma transformação; talvez esteja apenas incorporando uma nova camada tecnológica ao modelo existente.

Transformações reais exigem debates difíceis porque mexem em modelos de decisão, níveis de autonomia, prioridades e critérios de sucesso. Se uma empresa investe de forma relevante em IA, mas mantém intactos:

• os mesmos ritos de gestão;
• os mesmos critérios de promoção;
• os mesmos modelos de comando e controle;
• os mesmos incentivos de curto prazo;
• e os mesmos mecanismos que privilegiam resultados de curto prazo sem fortalecer colaboração e aprendizado;

provavelmente ela ainda não transformou seu modelo operacional. Apenas passou a automatizar partes dele.

A corrida pela adoção estratégica da Inteligência Artificial não será vencida necessariamente pela empresa que tiver o melhor modelo, o maior orçamento ou a arquitetura mais sofisticada. Tende a favorecer organizações com lideranças mais maduras, consistentes e dispostas a redesenhar a própria organização, especialmente quando esse redesenho significar revisar estruturas de poder, métricas tradicionais e zonas de conforto gerencial.

Porque, em última instância, o sucesso corporativo na Era da Inteligência Artificial não é um teste de capacidade computacional. É um teste de coragem executiva.