Deep Content #8 - A empresa liberou a IA. Como a equipe aprende a usar?

Boa tarde. Bem-vindo novamente à InferêncIA News.

Uma empresa compra licenças de IA, libera o acesso e avisa que a equipe pode começar a usar. A partir daí, aparecem perguntas bem menos vistosas que o anúncio: posso colocar este documento na ferramenta? Quem confere a resposta? Existe alguém para ajudar quando ela erra? E como saber se o colega que parece usar tão bem encontrou um processo útil ou apenas aprendeu a fazer uma apresentação convincente?

Esse cenário é hipotético, mas serve para abrir uma discussão concreta. Oferecer uma ferramenta cria uma possibilidade. Incorporá-la ao trabalho exige que pessoas com experiências diferentes entendam onde ela cabe, aprendam a avaliar suas respostas e consigam conversar sobre os limites. Entre receber uma senha e mudar uma rotina, há bastante coisa para organizar.

Um estudo de Marcio de Abreu publicado na Tax and Accounting Studies em 9 de outubro ajuda a olhar para esse intervalo. A pesquisa reúne sete entrevistas com profissionais de um centro de serviços compartilhados de uma empresa brasileira de construção pesada. A unidade tinha 182 colaboradores. As entrevistas ocorreram em junho e julho de 2026 e foram examinadas por análise temática, um método de organizar os significados recorrentes nos relatos.

É um estudo de caso qualitativo. Seu interesse está em compreender experiências naquele contexto, sem medir ganhos de produtividade ou representar as empresas do país. Minha leitura editorial parte desse recorte: a adoção de IA merece ser tratada também como trabalho de aprendizagem e organização.

Entre os temas identificados pelo autor estão a influência dos colegas, a experimentação, as tensões nas regras institucionais e as experiências anteriores que moldam a relação com a tecnologia. Os relatos descrevem caminhos de adoção diferentes dentro da mesma organização.

Para uma empresa, essa diversidade sugere uma pergunta mais útil do que cobrar que todos usem a ferramenta com a mesma frequência: o que cada pessoa precisa compreender para realizar uma tarefa específica?

Pense numa equipe que prepara relatórios mensais. Uma pessoa pode ter facilidade para pedir uma primeira versão de texto. Outra conhece os números e percebe quando uma explicação está errada. Uma terceira entende quais informações precisam continuar fora daquele ambiente. Um exemplo de uso discutido pelas três pode ensinar mais sobre o processo do que uma demonstração que termina assim que o texto aparece.

Essa é uma possibilidade de aplicação, não uma intervenção testada no estudo. Seu valor estaria em tornar o raciocínio visível: quais dados entraram, o que foi pedido, como a resposta foi conferida e por que determinada sugestão foi descartada. Compartilhar apenas o prompt deixa de fora boa parte desse trabalho.

Há um cuidado adicional. A pessoa mais animada com IA pode ser uma boa referência para começar, mas entusiasmo não substitui critério. Se a equipe passa a repetir um procedimento sem entender suas condições, também pode espalhar um erro. Mostrar a revisão é tão importante quanto mostrar a geração.

A pesquisa registra disposição para reformular pedidos e continuar tentando diante de falhas. Também descreve um episódio em que uma avaliação de riscos de contrato feita com IA precisou ser corrigida por um colega.

O relato interessa porque permite discutir uma tensão. Persistir pode ajudar alguém a aprender a formular melhor uma tarefa. Ao mesmo tempo, uma resposta inadequada nem sempre se resolve com uma pergunta mais detalhada. Pode faltar informação, capacidade da ferramenta ou uma avaliação especializada.

Uma organização que incentiva experimentação precisa deixar espaço para essas possibilidades. Caso contrário, o profissional pode entender que qualquer erro demonstra apenas que ele ainda não encontrou o comando certo. A responsabilidade de conferir continua sendo humana; isso não transforma toda falha do sistema em falta de habilidade de quem o usa.

Num exemplo hipotético de revisão de propostas comerciais, seria possível comparar um resumo produzido pela IA com o documento original e registrar as omissões. Se a ferramenta insiste em acrescentar condições inexistentes, interromper aquele uso também é um resultado útil. A equipe aprendeu algo sobre o alcance da aplicação antes de incorporá-la a uma entrega.

Aprender com erros fica mais viável quando a tentativa ocorre numa situação em que alguém consegue detectá-los e corrigi-los. Isso pede tempo, material de referência e uma pessoa responsável pela avaliação. O incentivo para experimentar perde força quando todos continuam com a mesma carga de trabalho e precisam descobrir o resto no intervalo do almoço.

O artigo identifica falta de clareza sobre responsabilidades e boas práticas, além de preocupações com informações sensíveis. Esses achados são relatos dos participantes, não uma auditoria da segurança da organização.

A implicação que proponho é bastante prática: uma orientação precisa responder às perguntas que aparecem durante a tarefa. Uma política pode estar bem escrita e, ainda assim, deixar alguém sem saber se pode inserir uma planilha de clientes naquela ferramenta.

Imagine uma empresa que permite usar IA para preparar comunicações internas. A equipe precisaria reconhecer quais dados podem entrar, em que ambiente o trabalho deve acontecer e quem revisa uma mensagem antes de distribuí-la. Também seria útil saber a quem recorrer diante de uma situação não prevista.

Essas definições não precisam começar com um catálogo de todas as possibilidades da tecnologia. Podem acompanhar os usos efetivamente escolhidos pela organização. Quanto mais próximo o exemplo estiver da rotina, mais fácil será discutir o que a orientação significa.

Também convém explicar as razões de uma restrição. Se uma tarefa está fora do escopo por envolver dados que aquele serviço não pode receber, a equipe consegue entender melhor por que uma demonstração vista na internet não se aplica automaticamente ao seu trabalho. “Use IA com responsabilidade” soa bem no comunicado. A dúvida sobre a planilha permanece exatamente onde estava.

A influência dos colegas tem uma consequência organizacional que merece atenção. Quando alguém descobre uma maneira útil de trabalhar, o conhecimento pode continuar concentrado nessa pessoa, mesmo que várias outras já tenham visto o resultado.

Uma hipótese de melhoria seria registrar um exemplo completo e curto: a tarefa, as informações necessárias, um resultado aceitável e um erro que exige revisão. Isso permite discutir o procedimento e atualizá-lo quando a ferramenta muda. Também facilita a entrada de alguém novo, que não participou das conversas iniciais.

Para um pequeno negócio, o registro poderia acompanhar uma atividade simples, como organizar pedidos de orçamento. Para uma equipe maior, precisaria considerar as etapas compartilhadas entre áreas. Em ambos os casos, importa preservar a explicação de como avaliar a entrega.

Há espaço para reconhecer o esforço de quem ajuda os colegas. Preparar exemplos, responder dúvidas e revisar tentativas consome tempo. Se esse trabalho aparece apenas como gentileza informal, a empresa corre o risco de depender de uma disponibilidade que nunca combinou com ninguém.

O PDF traz uma limitação especialmente relevante: os participantes tinham perfil favorável à adoção de IA. As perspectivas de pessoas mais resistentes apareceram indiretamente. O autor também informa que atua na organização pesquisada.

Isso não apaga os relatos, mas limita o que podemos concluir a partir deles. Ouvir quem encontrou utilidade numa ferramenta ajuda a compreender esse caminho. Não explica sozinho por que outras pessoas não a utilizam.

Para uma empresa, vale tratar a hesitação como uma pergunta a investigar. Pode haver desconhecimento, receio de errar, ausência de tempo, restrições de acesso ou uma tarefa para a qual a aplicação proposta simplesmente não ajuda. Esses são exemplos de possibilidades, não causas demonstradas pela pesquisa.

Convidar alguém a mostrar onde o processo deixa de fazer sentido pode melhorar a decisão de adoção. Também evita transformar frequência de uso em julgamento sobre competência. Uma pessoa que reconhece uma informação incorreta talvez contribua mais para o projeto do que outra que produz muitos textos sem conferir nenhum.

Os entrevistados relatam mudanças do processamento de dados para atividades mais analíticas. São percepções de trabalho num ambiente que combina IA e automações; o estudo não isola o efeito de cada tecnologia.

A partir daí, a avaliação de uma aplicação concreta poderia observar o esforço total. Quanto tempo foi necessário para preparar a entrada, gerar a resposta, revisar e corrigir? A entrega ficou utilizável? A etapa seguinte recebeu uma informação melhor ou herdou outro problema?

Essas perguntas são propostas editoriais para acompanhamento, não indicadores validados por este estudo. Elas ajudam a evitar uma conclusão apressada a partir do número de acessos ou de mensagens enviadas à ferramenta.

A reflexão que fica é que uma organização aprende a usar IA quando consegue discutir o trabalho que está mudando. Isso envolve ouvir trajetórias diferentes, tornar a revisão visível e explicar as decisões de uso. Comprar acesso pode fazer parte desse movimento, mas ainda resta construir as condições para que a equipe aproveite a ferramenta com critério.

Se alguém entrasse amanhã na sua equipe, encontraria exemplos claros de como usar IA e a quem pedir ajuda? Ou precisaria descobrir tudo procurando o colega que “entende dessas coisas”?

Nos vemos amanhã…

Filipe, o único humano nesta empresa.