Fazer login com o Google 
Leo Candido é AI First Transformation Manager na Artefact LATAM, professor de IA para negócios e autor do livro “Sidekick: Os Segredos da Cocriação na Era da IA”. As opiniões expressas neste artigo são do autor e não refletem necessariamente a visão do Google.
A IA já faz parte do trabalho das pessoas. Na pesquisa global mais recente da McKinsey, publicada em agosto de 2026, quase nove em cada dez participantes afirmaram que suas organizações usam a tecnologia regularmente. E 44% disseram que ela já está sendo escalada, ante 38% no ano anterior.
Ainda segundo a pesquisa da McKinsey, os resultados individuais aparecem com clareza: oito em cada dez profissionais relatam aumento de produtividade. Mesmo assim, apenas 37% dizem que a IA produziu impacto positivo no EBIT (Earnings Before Interest and Taxes, ou o lucro de uma empresa sem descontar as despesas) da organização, praticamente o mesmo percentual de 2025.
Esse contraste me interessa mais que o crescimento bruto da adoção. As empresas aprenderam a distribuir ferramentas e acelerar tarefas, mas ainda estão descobrindo como transformar ganhos individuais em capacidade para melhorar decisões e atravessar áreas.
De forma geral, percebo que os resultados da adoção de IA surgem relativamente rápido. Um texto leva menos tempo; uma análise ganha uma primeira versão; uma ideia vira protótipo antes da reunião seguinte. A dificuldade começa quando a tecnologia precisa deixar de apenas apoiar uma tarefa isolada e começar a influenciar a tomada de decisão.
Nesse ponto, saber operar a ferramenta já não basta. A competência central passa a ser a confiança calibrada.
O que é confiança calibrada?
Outros artigos já mostraram que o entusiasmo dos profissionais com a IA convive simultaneamente com ansiedade sobre o futuro das próprias funções. Além disso, existe a percepção de que pouco é feito em relação à maneira como as empresas organizam o trabalho.
Enquanto uma parte das pessoas evita o uso por medo de errar, expor desconhecimento ou contribuir para a própria substituição, outra parte pode esquecer da importância da validação humana ao longo do processo.
Os dois comportamentos nascem da falta de critérios para perceber onde a tecnologia ajuda e onde começa a comprometer o resultado.
Treinamentos costumam enfrentar o medo mostrando tudo o que a IA consegue fazer. Isso reduz a barreira de entrada e pode formar usuários mais dispostos, mas não necessariamente mais preparados para questionar a ferramenta.
Um experimento com 758 consultores do Boston Consulting Group ajuda a entender o problema. Dentro da fronteira de capacidade da IA, os participantes concluíram 12,2% mais tarefas e trabalharam 25,1% mais rápido. Já em uma atividade complexa fora dessa fronteira, os usuários tiveram uma redução média de 19 pontos percentuais na probabilidade de chegar à resposta correta.
A ferramenta era a mesma. Mudaram a natureza da tarefa e a capacidade do profissional de perceber o limite. Fluência em IA sem domínio do problema pode, no final das contas, acelerar o erro; já domínio do problema sem fluência deixa uma capacidade importante na mesa.
Confiança calibrada significa então ter segurança para explorar, desconfiança suficiente para verificar e repertório para interromper a delegação quando o risco deixa de ser aceitável.
Para isso, a equipe precisa de segurança psicológica. Esse relato do Google Índia sobre sua transformação AI-first trata o aspecto da segurança como condição para que o medo da substituição dê lugar à aprendizagem.
Eu acrescentaria ainda uma dimensão. As pessoas também precisam se sentir autorizadas a discordar da IA, abandonar um teste e concluir que determinada tarefa não deveria usar a tecnologia, por exemplo.
Acredito que quando toda iniciativa precisa provar que a IA funciona, as falhas deixam de circular. A empresa parece avançar, mas perde justamente o aprendizado que permitiria usar a tecnologia com mais precisão.
Pensar com a IA muda o trabalho antes de mudar a entrega
Imagine uma equipe preparando o lançamento de um produto. Ela pode enviar os dados disponíveis para um modelo e pedir uma estratégia completa. Em poucos minutos receberá segmentos de público, mensagens, canais, riscos e um cronograma capaz de economizar algumas horas.
Mas há outro caminho. Antes de produzir a estratégia, a equipe pede à IA que identifique quais informações estão faltando, separe fatos de suposições e proponha três hipóteses incompatíveis sobre o comportamento do cliente. Depois, solicita que o modelo examine cada hipótese sob a perspectiva de marketing, vendas, finanças e atendimento.
Em seguida, os profissionais procuram evidências contrárias, alteram variáveis e observam o que permanece de pé. Pedem que a IA mostre onde está menos segura e que tipo de dado mudaria sua recomendação. Só então constroem a primeira versão da estratégia.
Perceba que, nos dois casos, houve uso de IA. No primeiro, a tecnologia entregou um documento. No segundo, ajudou a equipe a enxergar o problema, organizar incertezas e tornar os critérios da decisão mais explícitos.
É isso que entendo por pensar com a IA. O modelo não precisa ocupar o lugar de especialista, gestor ou autor da decisão. Pode funcionar como interlocutor capaz de gerar alternativas, tensionar premissas e acelerar ciclos de comparação.
Depois dessa interação, o profissional precisa explicar por que escolheu uma alternativa, quais evidências consultou, o que rejeitou e quais dúvidas continuam abertas. Se não consegue reconstruir esse caminho, provavelmente recebeu uma conclusão em vez de ampliar seu raciocínio.
Capacitação deve produzir evidências de julgamento
O relatório Skills in the AI Age, publicado pela OCDE em julho de 2026, mostra que competências avançadas de IA continuam restritas a aproximadamente 1% da força de trabalho. Para a maioria das pessoas, a necessidade é combinar letramento em IA com pensamento crítico, criatividade, colaboração e capacidade de continuar aprendendo.
Isso muda o desenho da capacitação. A técnica de prompt continua útil, mas passa a ser um meio. O aprendizado precisa exercitar a relação entre problema, evidência e decisão.
Eu estruturaria esse desenvolvimento em três práticas.
A primeira é o diagnóstico.
Diante de uma situação real, a pessoa precisa justificar como a IA pode contribuir, quais riscos estão envolvidos, que dados podem ser utilizados e em que ponto o uso deixaria de fazer sentido. A escolha consciente de não usar IA também pode demonstrar maturidade.
A segunda é a confrontação.
A equipe compara respostas produzidas com fontes e instruções diferentes, introduz informações incompletas, procura contradições e observa como pequenas mudanças de contexto alteram o resultado. O objetivo é treinar sensibilidade, não encontrar um prompt universal.
A terceira é a autoria.
A entrega registra o que veio da IA, o que foi modificado, quais fontes sustentam a conclusão e quem responde pelo resultado. Essa memória pode ser curta. Sua função é preservar a rastreabilidade e evitar que uma saída convincente apareça como decisão sem dono. Afinal, embora o papel da IA seja o de gerar mais insights, a decisão estratégia final ainda está nas mãos do marketer.
Este artigo sobre adoção responsável defende a combinação entre experimentação, governança e desenvolvimento contínuo. Minha leitura é que ela funciona melhor quando a governança oferece critérios aplicáveis ao trabalho, em vez de apenas uma lista de proibições.
Os exercícios também precisam se aproximar das decisões que a pessoa realmente toma, com dados protegidos e consequências proporcionais ao estágio de aprendizagem. Um profissional desenvolve julgamento quando decide, recebe retorno e compara o resultado com critérios claros. Uma demonstração impecável pode inspirar. Dificilmente constrói essa capacidade sozinha.
A métrica final é a qualidade da decisão
Horas economizadas continuam relevantes, mas não bastam. Uma equipe pode produzir mais materiais e, ao mesmo tempo, aumentar retrabalho, deixar erros mais difíceis de perceber ou convergir rapidamente para ideias muito parecidas.
Eu acompanharia quatro sinais. A capacidade de encontrar inconsistências, a diversidade das hipóteses consideradas, a qualidade das fontes e a clareza com que as pessoas justificam suas escolhas.
Também observaria se profissionais que não participaram do primeiro piloto conseguem aplicar os mesmos critérios em outros problemas.
Há uma pergunta simples que revela bastante. Depois de usar a IA, a pessoa consegue realizar uma tarefa semelhante sem depender da mesma resposta? Se consegue explicar o método, adaptar os critérios e reconhecer novas limitações, houve desenvolvimento. Se apenas reproduz a saída anterior, a organização construiu dependência.
Nos próximos anos, o risco para muitas empresas talvez não seja o nível de uso da IA. Pode ser produzir cada vez mais a partir das mesmas respostas, dos mesmos padrões e das mesmas premissas não examinadas.
Saber escolher é decisivo quando a execução é abundante.
Empresas que desenvolvem esse julgamento transformam a IA em uma capacidade acumulativa. As demais apenas alugam produtividade enquanto a ferramenta está aberta.
Social Module
Compartilhar