Eles resolveram o conflito entre eficiência e resiliência
Estudos do setor aéreo mostram maneiras de reduzir falhas operacionais sem sacrificar produtividade, agilidade ou satisfação do cliente
Vishal Ahuja, Yasin Alan e Mazhar Arıkan
32 min de leitura
A eficiência operacional é fundamental tanto para o sucesso financeiro quanto para a satisfação do cliente. Sistemas eficientes – caracterizados por estoques mínimos de segurança, baixa ociosidade, cronogramas rigorosos e máxima utilização de ativos – permitem que as organizações façam mais com menos, ampliando as receitas e atraindo clientes que valorizam a agilidade. No entanto, esses sistemas frequentemente carecem de resiliência, aumentando a vulnerabilidade da organização a interrupções operacionais.
A tensão entre eficiência e resiliência é especialmente visível no setor aéreo. Uma malha resiliente é capaz de absorver interrupções, proteger os passageiros de falhas graves na prestação do serviço e restabelecer rapidamente as operações sem incorrer em custos excessivos. Ao mesmo tempo, as companhias aéreas enfrentam pressão constante para oferecer viagens mais rápidas e maximizar o uso de recursos dispendiosos, como aeronaves e tripulações.
Os passageiros, por sua vez, também valorizam a eficiência, traduzida em viagens mais curtas e com o menor número possível de escalas. Essa preferência pode levar à criação de itinerários com pouca ou nenhuma margem para absorver atrasos e cancelamentos comuns no transporte aéreo, deixando passageiros frustrados e retidos nos terminais.
Além disso, essas interrupções se propagam por malhas interconectadas, afetando passageiros, conexões, escalas das tripulações e o posicionamento das aeronaves. Esse efeito em cascata pode causar prejuízos financeiros significativos e comprometer a reputação das companhias aéreas.
No entanto, esse desafio não se restringe às companhias aéreas. Gestores de cadeias de fornecimento precisam equilibrar os custos de manutenção de estoques com os riscos de desabastecimento. Sistemas de saúde buscam otimizar o fluxo de pacientes e ampliar a capacidade de atendimento sem comprometer sua qualidade. Apesar das diferenças operacionais entre esses contextos, o desafio fundamental é o mesmo: como desenvolver operações que sejam, ao mesmo tempo, eficientes e resilientes?
A análise de milhões de voos e jornadas de passageiros, realizada ao longo de diversos estudos acadêmicos, mostra por que os gestores não precisam tratar eficiência e resiliência como objetivos opostos. Identificamos três estratégias práticas que permitem às organizações conciliar ambos os objetivos – seja na gestão de malhas aéreas, no fluxo de pacientes, nas operações de call centers ou em cadeias globais de fornecimento.
Estratégia 1: Mensure o que realmente importa para os clientes
As métricas tradicionais de desempenho operacional muitas vezes não refletem a experiência do cliente, o que gera incentivos distorcidos capazes de comprometer a qualidade real do serviço e a resiliência do sistema. Na indústria aérea dos Estados Unidos, por exemplo, o Departamento de Transportes (DOT, na sigla em inglês) publica mensalmente o Air Travel Consumer Report. O relatório reúne estatísticas de todas as principais companhias aéreas referentes ao percentual de voos que chegam com até 15 minutos de diferença em relação ao horário previsto. Conhecida como desempenho de pontualidade (OTP, na sigla em inglês para on-time performance), essa métrica é utilizada como indicador da qualidade e da confiabilidade do serviço nas classificações do DOT e das próprias companhias aéreas.
À primeira vista, a divulgação do OTP parece beneficiar os consumidores: seria razoável esperar que a avaliação baseada nessa métrica incentivasse as companhias aéreas a reduzir os atrasos. No entanto, como costuma ocorrer com os KPIs, as organizações podem ceder à tentação de manipular a métrica. As companhias aéreas frequentemente acrescentam tempo à duração programada dos voos divulgados, aumentando as chances de que eles cheguem “no horário” – prática conhecida como “inflação de horários” (schedule padding, no original). Isso permite que melhorem seus índices de OTP sem aumentar de maneira significativa a confiabilidade do serviço.
Mesmo deixando de lado esse comportamento estratégico das companhias aéreas para manipular o sistema, é questionável até que ponto o OTP é uma medida útil para os clientes. Passageiros de voos diretos provavelmente considerarão um atraso de 20 minutos no pouso uma diferença pouco significativa. Da mesma forma, dificilmente se importarão com o fato de o voo ter chegado 14 minutos depois do horário programado, embora ainda seja considerado “pontual” pelo limite de 15 minutos estabelecido pelo DOT. Para um passageiro com uma conexão apertada, no entanto, um atraso de 14 minutos pode ser suficiente para provocar a perda do voo seguinte – e resultar em horas de espera no aeroporto até que seja possível embarcar novamente.
Como o OTP não capta com precisão o que realmente importa para os passageiros, em um estudo recente que publicamos recomendamos que o DOT divulgue estatísticas mais informativas, como a proporção de passageiros que chegam ao destino final dentro de diferentes faixas de atraso: até 15 minutos; de 15 minutos a uma hora; de uma a duas horas; de duas a três horas; e mais de três horas após o horário previsto de chegada.
No longo prazo, deslocar o foco para o tempo total de viagem dos passageiros (considerando o número de voos, a duração das escalas, as possíveis perdas de conexão e os atrasos em cada trecho) pode incentivar as companhias aéreas a dedicar mais atenção à experiência de viagem. Como resultado, tanto a eficiência quanto a resiliência poderiam melhorar, uma vez que as empresas teriam mais incentivos para criar rotas e itinerários eficientes, com menor tempo total de viagem e menos suscetíveis a perdas de conexão e atrasos prolongados.
Problemas semelhantes surgem em outros setores, nos quais as métricas de desempenho operacional adotadas pelas organizações podem afetar negativamente tanto a eficiência quanto a confiabilidade. Na área da saúde, por exemplo, os hospitais costumam acompanhar as taxas de utilização das salas cirúrgicas como um indicador-chave de eficiência.
Embora uma taxa elevada de utilização pareça desejável, ela pode incentivar os administradores hospitalares a criar cronogramas excessivamente apertados, com procedimentos realizados em sequência. Essa prática deixa pouca margem para complicações inesperadas ou procedimentos que exijam mais tempo, o que pode provocar longos atrasos ou até o cancelamento das cirurgias dos pacientes seguintes, comprometendo a eficiência, a qualidade do atendimento e a satisfação dos pacientes.
Na gestão da cadeia de fornecimento, as empresas normalmente utilizam índices elevados de giro de estoque como indicador de eficiência operacional. No entanto, o foco excessivo nessa métrica pode levá-las a reduzir de maneira agressiva os estoques de segurança, aumentando o risco de desabastecimento, atrasando a produção e impondo aos clientes longos períodos de espera pelos produtos que desejam comprar.
No atendimento ao cliente, por sua vez, quando os call centers avaliam o desempenho dos agentes pelo número de chamadas atendidas, podem incentivá-los a apressar as interações com os clientes. Isso pode reduzir a qualidade da resolução dos problemas e aumentar o número de chamadas repetidas, prolongando o tempo total necessário para solucionar cada questão. Esses exemplos mostram como métricas definidas de maneira restrita podem distorcer incentivos, levando as empresas a otimizar seus resultados em função dos indicadores, e não da experiência real com o serviço.
Definir as métricas de desempenho adequadas pode ser desafiador, pois elas precisam equilibrar os objetivos de eficiência da organização com outros aspectos da gestão, como a confiabilidade do serviço, a satisfação do cliente e a equidade. Uma forma de alcançar esse equilíbrio e garantir que a alta eficiência não seja obtida às custas dos clientes é tratar a mensuração de resultados como um sistema de métricas complementares: uma delas acompanha a eficiência operacional, enquanto a outra avalia aquilo que importa para os clientes.
Em nosso estudo recente, por exemplo, desenvolvemos dois parâmetros: um para acompanhar a eficiência e outro para avaliar a resiliência, a fim de garantir que o foco da companhia aérea na eficiência, medido pelos curtos intervalos entre as conexões dos passageiros, não resultasse em atrasos prolongados causados pela perda dessas conexões. Da mesma forma, os hospitais podem medir tanto a utilização das salas cirúrgicas quanto os atrasos enfrentados pelos pacientes quando cronogramas excessivamente apertados são afetados por imprevistos.
Indicadores de resultados adequados devem ser fáceis de compreender pelas partes interessadas e, ao mesmo tempo, captar com precisão os objetivos de desempenho da organização e o nível de satisfação dos clientes. A definição dessas medidas exige a participação dos principais stakeholders, incluindo os próprios clientes.
Incentivos desalinhados representam outro risco, sobretudo quando os critérios estão rigidamente vinculados às avaliações de desempenho dos funcionários: esse tipo de associação pode tanto incentivá-los quanto levar toda a organização (como se observa no setor aéreo) a manipular o sistema, em vez de melhorar a qualidade do serviço.
Por isso, outro passo importante é desenvolver estruturas de incentivos que recompensem a qualidade do serviço no longo prazo, com base em uma combinação de eficiência e resiliência, em vez de privilegiar ganhos imediatos. Por fim, revisões periódicas e contribuições das partes interessadas podem ajudar a garantir que as métricas evoluam à medida que mudam as expectativas dos clientes e a dinâmica das operações.
Estratégia 2: Abandone soluções padronizadas e adote margens de segurança de modo estratégico
Medir o que importa para os clientes pode motivar uma organização a agir de maneira mais proativa no que se refere à prevenção de falhas graves na prestação de serviços ou no fornecimento, além de aumentar sua resiliência diante de interrupções.
No setor aéreo, falhas graves de serviço frequentemente se manifestam na forma de cancelamentos e atrasos prolongados, comprometendo o desempenho financeiro presente e futuro das companhias. Embora algumas causas de interrupção, como condições climáticas severas, estejam fora do controle das empresas, as companhias aéreas podem influenciar a maneira como seus efeitos se propagam pela malha ao planejar estrategicamente os horários dos voos.
Esse planejamento estratégico envolve estabelecer margens de segurança – ou buffers – suficientes tanto no tempo de voo quanto no período de permanência das aeronaves em solo, reduzindo o risco de que os atrasos se propaguem de um voo para outro.
Tradicionalmente, algumas companhias aéreas recorrem a regras gerais, como utilizar dados históricos, para estimar o tempo médio necessário para completar um voo e, em seguida, acrescentar uma margem fixa. Por exemplo, se um voo dura, em média, uma hora, a adição de uma margem de 15 minutos resulta em um tempo programado de uma hora e 15 minutos. No entanto, essa abordagem uniforme pode comprometer tanto a eficiência quanto a resiliência: a margem pode ser desnecessariamente longa para alguns voos, reduzindo a eficiência, e insuficiente para outros, aumentando a vulnerabilidade da companhia aérea a interrupções.
Uma abordagem mais estratégica e orientada por dados considera tanto a probabilidade de uma interrupção quanto suas possíveis consequências. No setor aéreo, nossas análises revelaram que fatores como congestionamento nos aeroportos, tempo de permanência das aeronaves em solo, condições climáticas e horário ajudam a indicar a probabilidade de uma interrupção. Além disso, suas consequências operacionais variam de um voo para outro: o atraso de uma aeronave com muitos passageiros em conexão pode desencadear efeitos graves em cascata, enquanto o atraso de uma aeronave em seu último voo do dia, sem passageiros com conexões posteriores, terá impacto mínimo sobre a malha.
Adotar margens de segurança maiores quando o risco e o impacto de uma interrupção forem elevados, e menores quando forem baixos, pode melhorar simultaneamente a eficiência e a resiliência.
Adote margens de segurança maiores quando o risco e o impacto de interrupções forem elevados, e menores quando forem baixos
Os mesmos princípios se aplicam a outros setores. Na área da saúde, definir a duração e a sequência das cirurgias com base nos perfis de risco dos pacientes e nas consequências de possíveis atrasos para os procedimentos subsequentes pode melhorar o desempenho geral do sistema.
Já os call centers podem elaborar as escalas das equipes considerando não apenas a duração esperada de cada chamada, mas também a probabilidade de novos contatos decorrentes de questões não resolvidas.
Em supply chains, em vez de adotar políticas uniformes de estoque para todos os produtos, as empresas podem ajustar os níveis de estoque de segurança e os intervalos de reabastecimento de acordo com os riscos de interrupção no fornecimento e seus efeitos nas etapas seguintes, como atrasos na produção provocados pela escassez de materiais.
Por fim, gestores de projetos podem reservar tempo de contingência para tarefas com alto grau de interdependência ou atividades do caminho crítico, evitando que pequenos atrasos se propaguem e provoquem grandes desvios no cronograma.
A verdade é que implantar buffers estrategicamente é mais fácil de dizer do que de fazer. Exige dados detalhados, análises avançadas e coordenação entre diversas áreas do negócio, como marketing, planejamento de malha e equipes de operações em solo das companhias aéreas.
Médias históricas e abordagens padronizadas são simples e conhecidas, o que dificulta sua substituição por métodos dinâmicos, específicos para cada contexto e baseados em riscos. Além disso, os gestores frequentemente enfrentam resistência quando os ajustes nas margens de segurança parecem reduzir a eficiência no curto prazo, ainda que possam melhorar tanto a eficiência quanto a resiliência no longo prazo.
Para superar esses desafios, as organizações devem começar com mudanças pequenas, simulando cenários hipotéticos e realizando projetos-piloto orientados por dados em áreas de alto risco dentro de uma unidade de negócio. Também devem investir em análises preditivas para identificar padrões de interrupção e comunicar às partes interessadas os benefícios da resiliência no longo prazo.
Incorporar análises nos processos de planejamento e obter o apoio dos stakeholders pode garantir que a alocação de buffer se torne uma alavanca estratégica, e não uma decisão ad hoc.
Estratégia 3: Selecione estrategicamente as opções oferecidas aos clientes a fim de maximizar o desempenho do sistema
Em muitas organizações, as equipes de operações preferem limitar o número de opções de produtos ou serviços oferecidas aos clientes, a fim de preservar a eficiência dos processos. Já as equipes de vendas e marketing costumam defender uma variedade maior, aumentando a probabilidade de atender às diferentes demandas desses clientes. No entanto, oferecer um conjunto amplo de opções eleva significativamente a complexidade operacional, o que pode comprometer a confiabilidade do serviço.
Oferecer um amplo leque de opções faz sentido do ponto de vista do marketing, mas aumenta significativamente a complexidade operacional
No setor aéreo, os itinerários com conexões evidenciam os riscos de oferecer opções em excesso aos passageiros. Considere, por exemplo, um passageiro que planejasse viajar de Knoxville, no Tennessee (TYS), para Greensboro, na Carolina do Norte (GSO), no domingo, 11 de janeiro de 2026.
Ao pesquisarmos voos em um site popular de viagens, constatamos que a American Airlines oferecia 13 opções de itinerário por seu hub em Charlotte, na Carolina do Norte (CLT). Entre elas, havia uma conexão de apenas 30 minutos: o primeiro trecho chegava a CLT às 13h38, e o segundo partia para GSO às 14h08.
Da mesma forma, a Delta Air Lines oferecia seis opções por meio de seu hub em Atlanta (ATL), uma das quais previa somente 40 minutos entre os voos: o primeiro trecho chegava a ATL às 17h13, e o segundo partia para GSO às 17h53. Considerando o tamanho e o nível de congestionamento dos aeroportos de Charlotte e Atlanta, ambos os itinerários apresentavam um risco significativo de perda da conexão.
De modo geral, os sistemas de reservas aéreas exibem rotineiramente essas opções, desde que respeitem os tempos mínimos de conexão publicados no banco de dados da Associação Internacional de Transporte Aéreo (Iata), mesmo quando oferecem pouca margem para os atrasos reais.
Em nosso estudo recente, utilizamos um conjunto proprietário de dados individualizados de passageiros, fornecido pela Southwest Airlines, para simular o impacto de conexões apertadas sobre o desempenho do sistema. Nossa análise constatou que identificar itinerários com intervalos curtos entre os voos e impedir que sejam reservados pode aumentar significativamente a resiliência, ao reduzir as perdas de conexão. Vale destacar que fazer uma curadoria das opções oferecidas, eliminando itinerários arriscados, não compromete de maneira relevante a eficiência.
Em geral, substituir um itinerário com conexão curta por outro com um intervalo ligeiramente maior acrescenta muito pouco ao tempo total programado da viagem – em muitos casos, apenas de 10 a 15 minutos. Na prática, o tempo real de viagem do itinerário com a conexão mais longa pode ser consideravelmente menor, justamente por evitar a perda do voo seguinte.
A ideia de restringir seletivamente as opções oferecidas aos clientes para aumentar a resiliência pode ser aplicada a diversos setores. Na área da saúde, por exemplo, os hospitais podem limitar as alternativas de horários para cirurgias eletivas quando a capacidade das salas cirúrgicas estiver reduzida, diminuindo o risco de atrasos em cascata.
Para evitar o descumprimento de compromissos, os varejistas podem restringir as janelas de entrega durante períodos de grande incerteza nas cadeias de fornecimento. Ao ajustar estrategicamente o conjunto de opções, em vez de manter todas as possibilidades em aberto, as empresas podem reduzir vulnerabilidades sem comprometer de maneira relevante a experiência do cliente, sobretudo quando a curadoria exige apenas pequenas concessões em termos de eficiência.
Na prática, selecionar essas opções não é tão simples quanto parece. Exige modelos preditivos capazes de avaliar os riscos com precisão em diferentes condições, bem como sistemas em tempo real que atualizem dinamicamente as alternativas disponíveis.
Tensões internas surgem naturalmente quando diferentes áreas, como marketing, operações e TI, precisam chegar a um acordo sobre quando e como limitar as escolhas dos clientes. As equipes de marketing, em particular, podem temer a perda de receita decorrente da eliminação de determinadas opções.
Por isso, é fundamental que as organizações quantifiquem tanto o potencial de receita das alternativas mais arriscadas quanto os custos reais das interrupções provocadas por sua oferta. No caso das companhias aéreas, por exemplo, despesas com hospedagem de passageiros retidos nos aeroportos, vouchers de alimentação e remarcações de voos reduzem a lucratividade.
As organizações devem começar testando conjuntos mais restritos de opções em contextos de alto risco, a fim de comprovar seus benefícios. Também podem utilizar os mesmos insights analíticos que as ajudaram a definir essas alternativas para explicar aos clientes que suas escolhas foram limitadas com o objetivo de garantir maior confiabilidade.
EM UMA ERA MARCADA POR EXPECTATIVAS CRESCENTES DOS CLIENTES e sistemas de prestação de serviços cada vez mais complexos, superar a tradicional oposição entre eficiência e resiliência se tornou uma competência operacional decisiva, capaz de definir a trajetória de uma organização. As empresas que conseguirem oferecer, ao mesmo tempo, agilidade e confiabilidade não apenas atenderão às demandas dos clientes, mas também se diferenciarão em mercados altamente competitivos.
A principal lição gerencial extraída de nosso conjunto de estudos é que as organizações devem desenvolver suas operações de maneira proativa, incorporando resiliência aos sistemas, em vez de depender de soluções reativas e pontuais depois que as interrupções ocorrem. Essa abordagem exige a escolha de métricas de desempenho que reflitam a experiência do cliente, a construção de sistemas capazes de absorver variações e a orientação das escolhas dos clientes, para que a organização continue funcionando de maneira confiável mesmo quando as condições se tornam adversas.
À medida que as interrupções se tornam a regra, e não a exceção, conciliar eficiência e resiliência desde a concepção das operações, no lugar de apenas reagir aos problemas, pode distinguir as empresas que apenas conseguem lidar com as dificuldades daquelas que realmente prosperam.
Outra calibragem: use a IA de acordo com cada desafio, por Pedro Amorim, Amr Saleh e Ulrika Cederskog Sundling*
]Em uma terça-feira chuvosa em Londres, a equipe de liderança de uma empresa de bens de consumo analisou duas decisões: “Onde devemos abrir nossas próximas cinco lojas?” e “Devemos direcionar a marca para o território do bem-estar?”. A IA generativa foi usada para apoiar ambas as escolhas.
Para justificar a expansão das lojas, a equipe apresentou diversos argumentos qualitativos plausíveis, mas sem dados ou análises que sustentassem as recomendações. A ferramenta também ajudou a construir uma narrativa elaborada sobre a entrada no segmento de bem-estar, acompanhada de uma apresentação convincente em defesa da mudança estratégica. No entanto, o envolvimento das partes interessadas era insuficiente, e não havia uma convicção compartilhada de que a organização estivesse pronta para agir.
A reunião expôs a suposição equivocada de que toda IA é igual e que todo tipo de inteligência artificial apoia igualmente a tomada de decisão. Na realidade, diferentes decisões exigem papéis fundamentalmente distintos da IA:
Algumas têm escopos restritos: os objetivos são claros, os dados estão disponíveis e os resultados podem ser medidos rapidamente.
Outras são mais abrangentes: objetivos estão em disputa, as informações são incompletas e o alinhamento importa tanto quanto a análise.
Quando líderes tratam esses dois tipos de decisão como iguais, eles aplicam mal a tecnologia de IA, de modo previsível, usando ferramentas generativas onde são necessários motores analíticos ou onde o trabalho real é deliberação e compromisso. O resultado final é decepcionante: decisões de escopo restrito sem sustentação adequada e, nas decisões mais amplas, baixa adesão e dificuldades de execução por falta de diálogo e alinhamento.
Esse descompasso aparece em diversos setores. Em nosso trabalho com equipes executivas, identificamos um padrão recorrente por trás dessa diferença. A pressão para adotar IA – intensificada pelas manchetes sobre sistemas generativos e agentes – muitas vezes se sobrepõe à disciplina de definir onde a tecnologia deve ser aplicada, o que deve apoiar e qual modalidade é mais adequada à decisão em questão. Como resultado, as equipes criam apresentações impressionantes para problemas que exigem mais tempo de alinhamento interno e recorrem a ferramentas generativas conversacionais diante de decisões que demandam análises rigorosas.
A solução é calibrar o papel da IA na decisão. Ao distinguir entre os escopos das decisões (restritos ou amplos), as organizações podem associar as capacidades da tecnologia às condições da situação, permitindo que a IA atue como um mecanismo decisório quando o escopo é restrito e como um auxiliar de decisão quando ela é ampla.
Decisões de escopo restrito são o território conhecido da IA analítica. São problemas bem definidos, nos quais os objetivos podem ser especificados, o conjunto de possibilidades pode ser modelado e as métricas de desempenho são claras. Prever a demanda, detectar fraudes, otimizar rotas de entrega e escolher a localização de lojas são exemplos clássicos. Nesses contextos, a IA analítica – por meio de otimização, previsão e modelagem causal – pode avaliar padrões e trade-offs em uma escala e velocidade que os seres humanos não conseguem igualar. Ao tomar decisões de escopo restrito, a IA atua como um mecanismo decisório preciso e incansável, enquanto os responsáveis se concentram em definir corretamente o objetivo, fornecer dados de alta qualidade, submeter as premissas a testes de estresse e estabelecer salvaguardas – como restrições, limites e regras de exceção. Cabe aos gestores supervisionar como o sistema aprende, como se comporta diante de mudanças nas condições e o que acontece quando a realidade se afasta do modelo.
Decisões amplas são caracterizadas pela ambiguidade e o papel da IA deve ser cuidadosamente calibrado. Normalmente essas decisões envolvem prioridades concorrentes, informações em constante evolução sobre riscos e fatores de sucesso, além da necessidade de alinhamento. Raramente há um único objetivo: essas decisões costumam combinar considerações financeiras, estratégicas, éticas e políticas. Exemplos: entrar em um novo mercado, reposicionar uma marca, redesenhar uma estrutura organizacional ou lidar com incertezas regulatórias são exemplos comuns. Nelas, a IA generativa pode ajudar líderes a sintetizar inputs diversos, trazer premissas à tona, formular cenários e explicar trade-offs, tornando mais nítido o conjunto de possibilidades. A IA agêntica pode ampliar esse apoio quando estruturada como um fluxo de trabalho orientado por objetivos, com o uso de ferramentas de busca, recuperação de informações e análise para coletar e organizar materiais – sempre com pontos de controle explícitos, rastreabilidade e revisão humana. Gestores que utilizam a IA generativa dessa maneira devem ter cuidado para não confundir fluência com compreensão. Um sistema pode produzir narrativas persuasivas mesmo sem dispor do contexto necessário, incorporando premissas ocultas ou recorrendo a fontes pouco confiáveis. Por isso, os líderes devem tratar a IA como um instrumento de ampliação de perspectivas, não como uma autoridade.
Tudo deve começar pelo diagnóstico do tipo de decisão. Uma regra prática é tratar o diagnóstico como um scorecard. Considere as perguntas ao lado de cada um dos critérios listados abaixo. Se a maioria das suas respostas for “sim”, a decisão provavelmente se aproxima mais do escopo restrito, e a IA analítica pode servir como um motor gerando recomendações específicas. Se o “não” domina, trata-se provavelmente de uma decisão mais ampla, para a qual a IA é mais adequada como instrumento para buscar evidências, revelar pressupostos e subsidiar o julgamento coletivo.
Clareza dos objetivos: a meta é clara e quantificável – e não apenas atraente em termos gerais?
Disponibilidade dos dados: temos dados relevantes, confiáveis e reutilizáveis – e não apenas relatos pontuais?
Estabilidade causal: é provável que as relações históricas se mantenham ao longo do horizonte da decisão?
Clareza dos limites: os limites do problema podem ser codificados ou dependem sobretudo de fatores contextuais e políticos?
Ciclo de feedback: é possível observar os resultados rapidamente e incorporá-los ao ciclo decisório seguinte?
Reversibilidade: podemos reverter ou aperfeiçoar esse processo a um custo baixo, ou trata-se de um caminho sem volta?
O principal valor dessas perguntas diagnósticas está em identificar escolhas híbridas. Muitas definições estratégicas amplas contêm componentes de escopo restrito que podem ser tratados pela IA analítica. Diante de uma questão abrangente, os gestores devem perguntar: “Quais subdecisões podem ser formalizadas e mensuradas?”. Essas são candidatas ao uso de modelos analíticos, técnicas de otimização, experimentação e fluxos de trabalho automatizados.
Seis passos para transformar critério em processo
Líderes que desejam ver a IA aplicada de maneira mais ampla como ferramenta de suporte à decisão em suas organizações podem tomar as seguintes medidas:
Mapear as decisões críticas. Liste as 20 principais decisões (da organização ou função) e classifique cada uma como escopo restrito ou amplo usando o diagnóstico de seis perguntas.
Tratar o framework como um portfólio. Financie um pequeno número de iniciativas de escopo restrito capazes de demonstrar rapidamente um impacto mensurável e interrompa projetos-piloto de “automação” que, na verdade, envolvem decisões amplas disfarçadas.
Preparar dois manuais. Para decisões de escopo restrito, descreva o ciclo de vida da análise (dados, modelagem, monitoramento e tratamento de exceções). Para decisões amplas, estabeleça um protocolo de deliberação (padrões de evidência, pressupostos explícitos e checkpoints de verificação).
Aplicar a IA generativa de modos diferentes. Use-a como aceleradora dos modelos de escopo restrito (como documentação e extração de recursos) e como parceira de síntese nas decisões amplas (construção de cenários e análises pré-mortem, por exemplo). Em ambos os casos, assegure rastreabilidade e revisão humana.
Monitorar o processo decisório. Nas decisões restritas, acompanhe a precisão, os desvios do modelo e o impacto operacional. Nas amplas, registre prompts, fontes, justificativas e pontos de controle, para que o raciocínio possa ser examinado e reproduzido.
Fechar o ciclo. Faça avaliações pós-decisão. O mecanismo de escopo restrito atingiu as metas e permaneceu estável? O processo mais amplo revelou os principais riscos, as opções reais e os trade-offs envolvidos?
* Pedro Amorim é professor na Universidade do Porto (Portugal) e cofundador da LTPlabs. Amr Saleh é consultor de IA generativa e otimização na LTPlabs. Ulrika Cederskog Sundling é investidora, diretora do conselho e membro do conselho consultivo da LTPlabs.
Referências bibliográficas
Y. Alan and M.A. Lapré, “Investigating Operational Predictors of Future Financial Distress in the U.S. Airline Industry,” Production and Operations Management 27, no. 4 (April 2018): 734-755, https://doi.org/10.1111/poms.12829.
S.J. Forbes, M. Lederman, and Z. Yuan, “Do Airlines Pad Their Schedules?” Review of Industrial Organization 54, no. 1 (February 2019): 61-82, https://doi.org/10.1007/s11151-018-9632-1.
V. Ahuja, Y. Alan, and M. Arıkan, “The Role of Route-Level Decisions in the Efficiency and Resilience of Airline Operations: Evidence From the Wright Amendment Repeal,” Manufacturing & Service Operations Management 27, no. 2 (March-April 2025): 460-478, https://doi.org/10.1287/msom.2023.0070.
Ibid.
K. Ramdas, J. Williams, and M. Lipson, “Can Financial Markets Inform Operational Improvement Efforts? Evidence From the Airline Industry,” Manufacturing & Service Operations Management 15, no. 3 (summer 2013): 405-422, https://doi.org/10.1287/msom.2013.0448; and Alan and Lapré, “Investigating Operational Predictors,” 734-755.
V. Deshpande and M. Arıkan, “The Impact of Airline Flight Schedules on Flight Delays,” Manufacturing & Service Operations Management 14, no. 3 (summer 2012): 423-440, https://doi.org/10.1287/msom.1120.0379; M. Arıkan, V. Deshpande, and M. Sohoni, “Building Reliable Air-Travel Infrastructure Using Empirical Data and Stochastic Models of Airline Networks,” Operations Research 61, no. 1 (January-February 2013): 45-64, https://doi.org/10.1287/opre.1120.1146; and Ahuja, Alan, and Arıkan, “The Role of Route-Level Decisions,” 460-478.
C.T. Strömblad, R.G. Baxter-King, A. Meisami, et al., “Effect of a Predictive Model on Planned Surgical Duration Accuracy, Patient Wait Time, and Use of Presurgical Resources: A Randomized Clinical Trial,” JAMA Surgery 156, no. 4 (April 2021): 315-321, https://doi.org/10.1001/jamasurg.2020.6361.
Ahuja, Alan, and Arıkan, “The Role of Route-Level Decisions,” 460-478.
Você leu o post?
Então faça login
e tenha acesso ao recurso de “Marcar como lido”.
Vishal Ahuja, Yasin Alan e Mazhar Arıkan
Vishal Ahuja é professor-associado e professor-pesquisador Corrigan na Cox School of Business da Southern Methodist University (EUA). Yasin Alan é professor-associado na Owen Graduate School of Management da Vanderbilt University (EUA). Mazhar Arıkan é professor- associado e fellow da família Anderson na University of Kansas School of Business (EUA).
