Os líderes não podem se dar ao luxo de adotar uma postura de esperar para ver em relação à adoção da inteligência artificial generativa (IA generativa). Eles precisam de um plano para aplicá-la de forma diferente dos outros participantes da cadeia de valor, dizem os autores. Neste artigo, é apresentado um modelo para pensar estrategicamente sobre a IA generativa e são oferecidas orientações práticas sobre como aplicá-la às tarefas que compõem os cargos dentro de uma organização.
O modelo se baseia em dois fatores: o custo dos erros e o tipo de conhecimento necessário. Se um erro na execução de uma tarefa puder causar sérios prejuízos, danos financeiros ou perda de reputação, as empresas devem ter cautela ao empregar a IA generativa sem supervisão humana. As tarefas que dependem de dados explícitos (informações que podem ser capturadas e processadas) são bem adequadas para a IA generativa. No entanto, outras tarefas são intrinsecamente mais difíceis para ela, pois envolvem não apenas recuperar informações, mas também aplicar conhecimento tácito: empatia, raciocínio ético, intuição e julgamento contextual. Colocar as tarefas no quadrante apropriado deixa claro quais delas a IA generativa pode realizar de forma mais rápida, barata ou eficiente.
As perguntas que mais ouvimos de líderes empresariais sobre IA generativa incluem:
- Quando a IA generativa vai igualar a inteligência dos meus melhores funcionários?
- Ela é precisa o suficiente para gerar valor para o negócio?
- Meu diretor de tecnologia está se movendo rápido o bastante para liderar nossa transformação em IA?
- O que meus concorrentes estão fazendo com a IA generativa?
No entanto, essas perguntas estão mal direcionadas. Elas focam na inteligência e na trajetória da IA generativa — o quão boa ela é e o quão rápido está melhorando — em vez de focar em suas implicações para a estratégia empresarial. O que os líderes deveriam perguntar é: Como minha organização pode usar a IA generativa de forma eficaz hoje, independentemente de suas limitações? E como podemos usá-la para criar uma vantagem competitiva?
Este artigo, que se baseia em nossa experiência trabalhando com centenas de gestores, liderando iniciativas de IA generativa e pesquisando transformação digital e estratégia, propõe um modelo para pensar estrategicamente sobre a IA generativa e oferece orientações práticas. Argumentamos que uma abordagem cautelosa de esperar para ver, motivada pelos defeitos da IA generativa — como as chamadas alucinações —, pode ser perigosa. No entanto, não queremos dizer que a velocidade é o que importa. O que importa é a estratégia. As empresas precisam aplicar a IA generativa de forma diferente de seus concorrentes e de outros participantes da cadeia de valor. Eis por que avançar agora faz sentido:
Funcionários sem formação técnica podem usar IA generativa sem depender de especialistas. Durante décadas, o uso da inteligência artificial ficou restrito a engenheiros, programadores e cientistas de dados. Mas a IA generativa, liderada pelo ChatGPT da OpenAI, mudou isso ao permitir interações em linguagem natural. Sua inovação não foi apenas um avanço na inteligência, mas também um salto na acessibilidade. Hoje, qualquer pessoa dentro de uma organização pode usar ferramentas de IA generativa sem precisar de conhecimentos técnicos profundos, do apoio de uma equipe de ciência de dados ou da aprovação do setor de TI. Além disso, a IA generativa está sendo cada vez mais incorporada às ferramentas que as pessoas já usam — e-mail, videoconferências, planilhas, softwares de CRM e sistemas de ERP — reduzindo ainda mais as barreiras à adoção.
Esse avanço na interação entre humanos e computadores se assemelha à transição dos primeiros sistemas de linha de comando para a interface gráfica (GUI). Na década de 1980, o Windows transformou radicalmente a computação pessoal — não por tornar os computadores muito mais potentes, mas por permitir que as pessoas acessassem esse poder sem precisar conhecer os comandos do MS-DOS. Da mesma forma, a IA generativa torna modelos sofisticados de aprendizado de máquina acessíveis a qualquer pessoa capaz de conversar por escrito — e, em breve, por voz.
As oportunidades de criação de valor existem agora. Esperar por uma IA perfeita, onipotente e totalmente autônoma é um erro. Apesar de suas falhas, a IA generativa já pode economizar tempo, reduzir custos e gerar novo valor. Adiar sua adoção porque os resultados não são perfeitos é interpretar mal a oportunidade. A IA generativa já pode oferecer melhorias e ganhos de eficiência significativos em várias áreas do seu negócio. O parâmetro não deve ser a perfeição, mas a eficiência relativa em comparação com suas práticas atuais.
A vantagem competitiva virá do uso mais estratégico da IA generativa, não apenas da velocidade de adoção. Uma vantagem duradoura só será alcançada se ela for aplicada de forma diferente. Todos têm acesso à IA generativa. Se você e seus concorrentes usarem as mesmas ferramentas para as mesmas tarefas, os ganhos acabarão se diluindo ao longo da cadeia de valor, à medida que a concorrência reduz as margens. Pior ainda, seus próprios clientes e fornecedores poderão eliminá-lo do processo ao usar a IA para realizar as tarefas que antes você executava para eles. Isso significa que a vantagem competitiva dependerá de quão distintivamente você usa a IA generativa: quais tarefas você delega a ela e transforma, como combina o conhecimento humano para complementá-la e quais novas possibilidades você consegue desbloquear.
Onde e quando usar a inteligência artificial generativa
O acesso amplo e a versatilidade da IA generativa criam um novo desafio: reduzir as possibilidades para encontrar o melhor ponto de partida. Em vez de perguntar se a IA generativa atua tão bem quanto um humano, comece dividindo os cargos em suas tarefas componentes e pergunte: quais dessas tarefas a IA generativa está apta a executar hoje?
Considere as seguintes atividades: contratar funcionários essenciais, diagnosticar câncer e oferecer psicoterapia a pessoas em situação de risco. Essas são áreas frequentemente citadas como exemplos em que ferramentas de IA generativa estão começando a se aproximar dos níveis de inteligência e sofisticação humanos. No entanto, a ideia de substituir pessoas nesses papéis costuma enfrentar forte resistência — e com razão. As possíveis consequências de um erro são graves. Um diagnóstico incorreto de câncer ou uma má condução de um paciente vulnerável pode ter efeitos devastadores. Escolher a pessoa errada para uma posição de liderança crítica pode prejudicar a cultura de uma empresa por anos.
Agora considere outro conjunto de tarefas: resumir avaliações de cursos feitas por alunos, filtrar currículos de candidatos a emprego e alocar leitos hospitalares. O que diferencia esses exemplos do primeiro grupo não é necessariamente o nível de inteligência exigido, mas sim o custo de errar. Um resumo de avaliação de curso que perca uma nuance ou uma triagem inicial de currículo que ignore um candidato marginal apresenta apenas um risco limitado. A alocação de leitos hospitalares depende principalmente de dados explícitos e estruturados (como disponibilidade, necessidades dos pacientes e taxas esperadas de alta), que os sistemas de IA podem processar de maneira confiável.
Isso ilustra um princípio importante: a adequação da IA generativa para uma tarefa depende não apenas de suas capacidades, mas de dois fatores fundamentais. O primeiro é o custo dos erros — quão graves seriam as consequências caso a IA generativa cometa um engano. Se um erro em determinada tarefa puder causar danos sérios, prejuízos financeiros ou impacto negativo na reputação, as empresas devem ser muito mais cautelosas ao empregar a IA generativa sem supervisão humana. O segundo fator é o tipo de conhecimento exigido pela tarefa. As tarefas que dependem de dados explícitos (informações estruturadas ou não estruturadas que podem ser capturadas e processadas), como triagem de currículos e resumo de avaliações, são adequadas para a IA generativa. Outras tarefas — como psicoterapia, contratação baseada em habilidades interpessoais e decisões de liderança sutis — exigem conhecimento tácito: empatia, raciocínio ético, intuição e julgamento contextual, desenvolvidos por meio da experiência humana. Essas tarefas são, por natureza, mais difíceis para a IA generativa, pois envolvem não apenas recuperar informações, mas também interpretar nuances, reagir de forma flexível ao contexto e aplicar julgamento em situações ambíguas.
Essas duas dimensões — custo dos erros e tipo de conhecimento necessário — formam a base do modelo que propomos para identificar onde e como usar a IA generativa de maneira eficaz.
quadro
Aplicando o modelo
Aplicar o modelo começa com as perguntas certas sobre a IA generativa. Em vez de focar na inteligência da tecnologia (quão “esperta” ela é e o quão rápido melhora), as organizações devem analisar sua utilidade, que depende fortemente da tarefa em questão. Elas devem perguntar: onde o custo dos erros é baixo o suficiente para usar a IA generativa hoje? Mesmo quando o discernimento e a criatividade humanos são necessários, existem partes desses processos que a IA generativa poderia executar?
Para usar o modelo, comece dividindo os cargos em suas atividades componentes e posicione cada uma delas dentro do modelo, usando como guia o custo potencial de um erro e o tipo de conhecimento exigido. Colocar as tarefas no quadrante apropriado deixa claro quais delas a IA generativa pode executar de forma mais rápida, barata ou eficiente.
Vamos analisar cada um dos quatro quadrantes.
A zona sem arrependimentos.
O quadrante inferior esquerdo, onde o custo dos erros é baixo e o conhecimento necessário é explícito, contém as oportunidades mais claras e imediatas para as organizações. É aqui que a IA generativa deve ser aplicada hoje — e onde os agentes de IA prosperarão no futuro. As tarefas nesse quadrante dependem de dados claros e documentados, e os erros são relativamente inofensivos. Não é necessária precisão perfeita. O verdadeiro valor está em concluir tarefas de forma mais rápida, econômica ou em maior escala do que antes.
Alguns exemplos ilustram isso. A IA generativa pode analisar currículos e identificar rapidamente os candidatos que devem ser considerados para vagas com base em critérios bem definidos. Pode aprovar reembolsos de baixo valor — uma tarefa tediosa, mas de baixo risco. E pode redigir respostas rápidas para perguntas comuns de clientes, como dúvidas sobre políticas de reembolso ou prazos de entrega. Usar IA generativa no lugar de humanos nessas tarefas economiza tempo e permite redirecionar as pessoas para atividades de maior valor.
Além disso, há tarefas valiosas nesse quadrante que os humanos não realizavam antes porque eram muito demoradas, tediosas ou caras. Um exemplo: colocar um estenógrafo humano em todas as reuniões. A IA generativa pode registrar a conversa de uma reunião e extrair temas principais, ações e decisões em questão de segundos.
Ao considerar se deve empregar a IA generativa em tarefas desse quadrante, não pergunte se o resultado é tão bom quanto o de um humano, nem apenas como a IA pode ser usada nas atividades que você já realiza. Os avanços reais podem vir não apenas da substituição de trabalhos antigos, mas da liberação de atividades que antes eram inviáveis.
As perguntas principais a serem feitas são:
- As economias de custo e ganhos de velocidade obtidos com o uso da IA generativa são grandes o suficiente para compensar uma leve redução na qualidade do resultado?
- Como podemos usar a IA generativa em tarefas que hoje não realizamos ou que seriam muito caras para executar?
A zona de catalisador criativo.
O quadrante superior esquerdo, onde o custo de erros é baixo e há necessidade de conhecimento tácito, é o espaço em que a inteligência artificial generativa pode atuar como um catalisador criativo, ajudando os humanos a executar tarefas que se beneficiam da originalidade. O ponto crucial é que o refinamento do resultado gerado pela IA e o julgamento final sobre o que adotar permanecem nas mãos humanas.
Os erros podem ser tolerados porque a qualidade dos resultados é subjetiva: não existe um melhor slogan de marketing ou um design de produto perfeito, já que as percepções do que é melhor ou perfeito são pessoais. Como o custo de errar levemente nesse quadrante é baixo, a IA generativa pode ampliar de forma significativa a criatividade humana ao acelerar experimentações, gerar um volume maior de ideias e permitir uma participação mais ampla no processo criativo. A IA generativa permite que todos — desde funcionários iniciantes até membros da equipe que não se consideram criativos, passando por profissionais experientes — pensem e trabalhem mais como inovadores.
A chave para descobrir como aplicar a IA generativa nesse quadrante é decompor a tarefa criativa e identificar onde a tecnologia pode ampliar a capacidade humana de agregar valor por meio da criatividade. Por exemplo, profissionais de marketing podem usar a IA para produzir instantaneamente 20 opções de slogans, oferecendo às equipes criativas um conjunto mais amplo de alternativas para refinar. Designers podem gerar rapidamente variações visuais ou funcionais e, em seguida, selecionar manualmente e aperfeiçoar os conceitos mais promissores. Criadores de apresentações podem pedir que a IA esboce pontos principais, sugira narrativas ou gere maquetes visuais, liberando tempo para adaptar a mensagem ao público. Até em contextos de treinamento, entrevistas simuladas ou exercícios práticos podem ser gerados rapidamente para enriquecer o aprendizado.
Não se deve perguntar se a IA generativa é tão criativa ou original quanto um ser humano — esse nunca foi o objetivo dela. As perguntas que realmente importam são:
- A IA generativa pode economizar tempo dos criativos?
- Ela pode facilitar a participação de pessoas não criativas em tarefas criativas?
A zona centrada no humano.
O quadrante superior direito é onde os riscos são mais altos. Nesse domínio, a IA generativa pode atuar como uma ferramenta de apoio, mas não como tomadora de decisões. As tarefas aqui envolvem julgamento subjetivo, nuances situacionais e decisões complexas — e os erros podem ter consequências sérias, sejam financeiras, legais, reputacionais ou pessoais. Confiança, ética e estratégia de longo prazo costumam estar em jogo. Erros podem ter efeitos duradouros: uma contratação equivocada de um executivo pode prejudicar a cultura de uma empresa; um erro estratégico pode destruir bilhões em valor; um diagnóstico médico incorreto pode custar uma vida.
Tarefas como contratar funcionários essenciais, definir estratégias, integrar sistemas corporativos complexos, gerenciar crises e conduzir intervenções delicadas de recursos humanos pertencem claramente a este quadrante. Elas envolvem alto risco e exigem julgamento, compreensão contextual, raciocínio ético e inteligência emocional — qualidades difíceis de codificar ou automatizar com confiabilidade.
Nesses domínios, a IA generativa deve ser usada com extrema cautela. Ela não pode substituir o papel humano no centro dessas decisões. Sua contribuição deve ser cuidadosamente limitada e de natureza auxiliar, não central. Ainda assim, uma análise inteligente dessas tarefas revela oportunidades em que a IA pode oferecer suporte valioso — ampliando a capacidade humana de desempenhá-las sem comprometer o controle da decisão.
Por exemplo, em processos de contratação, a IA pode ajudar a aprimorar descrições de vagas ou sugerir perguntas de entrevista; em estratégia, pode sintetizar dados de mercado ou identificar tendências emergentes; em governança, pode modelar riscos de reputação; em gestão de crises, pode redigir comunicações preliminares e monitorar a reação pública; em saúde, pode ajudar médicos a calcular pontuações de risco para priorizar pacientes que precisam de atenção imediata; e na gestão de desempenho, pode propor elementos de um plano de melhoria. Líderes e profissionais do conhecimento possuem várias tarefas que se enquadram neste quadrante.
Ao avaliar essas tarefas, não perca tempo se perguntando quando a IA generativa será inteligente o suficiente para executá-las sozinha. A questão essencial é:
- Quais tarefas a IA generativa pode auxiliar hoje para tornar o julgamento humano mais eficaz?
A zona de controle de qualidade.
O quadrante inferior direito abrange tarefas intensivas em conhecimento que a IA generativa pode, tecnicamente, executar bem — porque são baseadas em informações explícitas e estruturadas —, mas nas quais até pequenos erros podem gerar consequências sérias. São domínios de alta responsabilidade, como direito, finanças e desenvolvimento de software, onde as informações são claras e codificadas, mas os padrões de precisão são extremamente rigorosos. Esse quadrante é ideal para o modelo de humano no circuito: a IA generativa oferece velocidade e escala, enquanto os humanos fornecem julgamento, supervisão e responsabilidade final.
Tomemos como exemplo a elaboração de contratos jurídicos. Tradicionalmente, a preparação de um contrato envolve várias etapas: compreender as necessidades do cliente, redigir cláusulas, negociar termos, revisar a redação e aprovar o documento final. Hoje, um advogado pode usar ferramentas de IA generativa, como a Harvey, para criar um rascunho de contrato sólido em poucos minutos, liberando tempo para se concentrar nas negociações e na revisão final. Da mesma forma, no desenvolvimento de software, ferramentas como o GitHub Copilot podem gerar trechos padrão de código ou sugerir correções de erros, acelerando os ciclos de desenvolvimento — embora desenvolvedores experientes ainda precisem realizar testes de qualidade e verificar a funcionalidade.
Em processos de auditoria financeira, a IA generativa pode examinar grandes volumes de documentos e detectar anomalias ou oportunidades, mas os analistas humanos devem interpretar os resultados no contexto adequado. E, na área da saúde, a IA generativa pode recomendar alocação de leitos de pacientes com base em critérios estruturados, enquanto as decisões finais ficam a cargo da equipe clínica, que deve considerar nuances que os algoritmos podem não captar. Em tarefas de alto risco e baseadas em conhecimento explícito, a IA deve lidar com as partes repetitivas e baseadas em dados, enquanto os humanos se concentram nas etapas em que nuances, interpretações e responsabilidade final são cruciais.
Para identificar tarefas que se enquadram nesse domínio, é importante fazer as seguintes perguntas:
- Onde a expertise humana é realmente essencial?
- Quais partes do fluxo de trabalho podem ser delegadas com segurança à IA generativa?
Costuma-se dizer que aqueles que usam IA substituirão os que não usam. Mas a realidade é mais complexa: como o modelo demonstra, algumas tarefas são melhor executadas apenas pela IA, outras exigem colaboração entre humanos e IA, e algumas ainda dependem exclusivamente do julgamento humano. Em vez de debater sobre substituição ou complementaridade, o essencial é compreender quais tarefas continuam sendo distintamente humanas.
Antecipe o impacto em sua indústria
O fato de que seus clientes, fornecedores e concorrentes podem acessar a mesma tecnologia cria o paradoxo do acesso: como todos podem usá-la, torna-se muito mais difícil capturar valor com ela. Se você e seus concorrentes aplicarem a tecnologia em tarefas semelhantes e seguirem as mesmas melhores práticas, todos se tornarão mais eficientes, mas ninguém garantirá lucros de longo prazo.
A pressão competitiva acaba transferindo os ganhos para clientes e fornecedores por meio de preços mais baixos ou melhores condições. Esse padrão é semelhante ao da Internet 1.0: os primeiros adotantes desfrutaram de vantagens temporárias, mas à medida que as tecnologias digitais se espalharam, os benefícios passaram a favorecer os consumidores, não as empresas.
Pense no surgimento dos bilhetes eletrônicos de companhias aéreas nos anos 2000. Todas as empresas competiram usando a mesma tecnologia, e os clientes se beneficiaram de tarifas mais baixas. Desde os anos 1990, softwares CAD e ERP otimizaram a fabricação e cadeias de suprimentos, mas hoje são requisitos básicos, não fontes de vantagem. Esses exemplos lembram que é preciso estar preparado para os seguintes desenvolvimentos:
Novos entrantes com IA de primeira linha estão chegando.
Em um futuro próximo, sua competição mais feroz pode não ser seus pares conhecidos, mas uma nova geração de empreendedores solo e microequipes. Imagine criar hoje uma agência de marketing do zero. Em vez de contratar dezenas de pessoas para realizar pesquisas de mercado, escrever textos, criar gráficos e atender clientes, uma pequena equipe de especialistas (ou até um único empreendedor ousado) poderia, eventualmente, depender da IA para todas essas tarefas. Esses entrantes com IA de primeira linha poderiam igualar seu alcance e velocidade, com uma fração do seu quadro de pessoal. Os blocos de construção para essa visão já existem na forma de agentes de desenvolvimento de software e representantes de vendas com IA, com mais ferramentas surgindo no horizonte.
Clientes e fornecedores podem usar a IA generativa contra você.
O acesso deles à IA generativa pode alterar seu poder de negociação. Escritórios de advocacia enfrentam um problema semelhante desde os anos 1990. Trabalhos que antes exigiam dezenas de paralegais e uma biblioteca jurídica completa poderiam ser feitos por um único advogado com um computador conectado à internet. Uma empresa agora pode contratar um advogado interno para tarefas rotineiras, em vez de enviar tudo para um grande escritório. O número de advogados contratados internamente nos EUA triplicou entre 1997 e 2020, superando atualmente o número de advogados nos 500 maiores escritórios. Essa mudança pressionou os grandes escritórios em duas frentes. Os clientes passaram a exigir alternativas à hora cobrada anteriormente intocável: hoje, quase 90% dos grandes escritórios oferecem taxas fixas ou outros modelos mais favoráveis ao cliente. E advogados que antes tinham que trabalhar 100 horas por semana em escritórios tradicionais podem agora atuar internamente ou abrir práticas solo, capacitados por ferramentas digitais que substituem a infraestrutura de grandes escritórios.
A IA generativa acelera esse padrão. Com bots de pesquisa jurídica e agentes para elaboração de contratos, clientes corporativos podem internalizar ainda mais trabalho jurídico. A mesma tendência ocorre em outros serviços profissionais, como desenvolvimento de software, consultoria em fusões e aquisições e publicidade. Os funcionários mais talentosos e empreendedores dessas empresas terão cada vez mais opções sobre onde trabalhar.
Construindo uma vantagem competitiva baseada em IA
Como mencionamos, agir rapidamente é importante, mas a velocidade sozinha não colocará você à frente da competição iminente. É necessário ter uma estratégia para diferenciar como sua organização cria valor com a IA generativa. Recomendamos os seguintes passos:
Garantir amplo acesso à tecnologia.
Todos na sua empresa têm tarefas em todos os quatro quadrantes do framework, portanto todos têm potencial para fazer mais usando IA generativa. Cada pessoa na organização deve avaliar quais tarefas podem ser realizadas — melhor ou, ao menos, satisfatoriamente — pela IA generativa. Além disso, cada pessoa deve considerar tarefas que antes eram muito caras ou demoradas, mas que a IA poderia executar de forma rápida e econômica — por exemplo, enviar saudações personalizadas de fim de ano a todos os contatos comerciais do ano anterior ou resumir cada reunião em que participou. A experimentação e o treinamento devem ser incentivados amplamente — por meio de mensagens da liderança que sinalizem sua importância e fóruns internos para que os funcionários compartilhem aprendizados. Isso exigirá criar caminhos mais rápidos para que equipes de linha de frente testem e escalem as ferramentas de IA.
Comece removendo os gargalos que impedem que essas poderosas ferramentas cheguem às mãos das pessoas. Se o acesso fica travado no departamento de TI ou escondido atrás de formulários de conformidade, você cede espaço a concorrentes cujas equipes podem experimentar em tempo real. Departamentos de TI têm dificuldade em acompanhar a proliferação contínua de modelos cada vez mais sofisticados e aplicações especializadas. Delegar o controle total da IA ao CTO, por mais capaz que seja, pode retardar o progresso. Em 2023, o JPMorgan Chase bloqueou temporariamente o uso do ChatGPT por seus funcionários enquanto suas equipes de segurança realizavam revisões de terceiros — precaução sensata, mas que impediu 60 mil usuários de experimentar a ferramenta. Toda organização enfrenta esse dilema: preocupações com segurança cibernética são reais, mas se a mensagem predominante que os funcionários recebem é sobre o que não tentar, a inovação avançará apenas na velocidade da fila de aprovações mais lenta. Muitos líderes de TI buscam máximas precauções para se proteger de todos os riscos. Mas eles devem se concentrar nos riscos mais críticos — como vazamento de dados regulados ou altamente sensíveis (por exemplo, informações pessoais) — por meio de políticas de funcionários direcionadas e revisões de segurança de fornecedores definidas para proteger contra essas ameaças.
Reimaginar todos os ativos como dados.
As capacidades das primeiras gerações de IA generativa eram limitadas aos dados públicos utilizados em sua construção. Cada vez mais, as empresas estão fornecendo aos funcionários dados proprietários ricos — que podem ser acessados por busca com IA ou usados para treinar um modelo com o conhecimento da empresa. Para acompanhar, você deve: identificar onde os dados estão atualmente na organização e centralizá-los.
Todas as empresas precisam começar a centralizar dados que estavam dispersos ou isolados em unidades de negócios, funções e localidades. Sua infraestrutura pode ser a base da vantagem competitiva. Antes da era da IA generativa, nos anos 2000, a operadora de cassinos Harrah’s Entertainment centralizou todas as informações sobre cada rodada de caça-níqueis, check-ins de hotéis e recibos de restaurantes em um único data warehouse. Os insights obtidos com esse grande volume de dados permitiram crescer mais rápido que os concorrentes — eles podiam copiar o espetáculo e o luxo dos cassinos da Harrah’s, mas não sua infraestrutura de dados ou a cultura de usar rapidamente essas informações. Ter disciplina para consolidar dados é ainda mais crítico hoje, e não apenas para análise de clientes. A IA generativa permite que a empresa extraia insights de todos os seus dados, mesmo desestruturados ou provenientes de parceiros e aquisições, para orientar decisões em toda a organização. Levará anos para construir essa infraestrutura, então comece agora.
Identifique os dados que você ainda não está coletando
Toda atividade de uma empresa — desde interações com clientes até processos operacionais, e-mails internos e reuniões — é uma fonte de dados proprietários a ser explorada e aproveitada. Os dados que você não coleta hoje são uma semente que nunca planta; comece a capturar os fluxos de dados críticos agora para que uma árvore possa dar frutos quando você precisar.
Redesenhe sua organização
A longo prazo, não será suficiente apenas sobrepor a IA generativa aos fluxos de trabalho existentes. As organizações precisarão se redesenhar em torno de uma visão de negócio centrada na IA generativa. Para isso, será necessário organizar-se para tirar o máximo proveito dos seus dados e das pessoas.
Vamos começar pelos dados.
Mesmo dados proprietários eventualmente se tornam commodities. Mas é difícil para outros copiarem uma organização estruturada para explorá-los continuamente. Nos anos 1990, o Capital One reconfigurou todo o banco em torno de seus dados, combinando equipes de marketing, risco e TI e realizando milhares de microexperimentos por ano. Operações, atendimento ao cliente e RH apoiavam esse motor de aprendizado. Seu experimento mais famoso, uma oferta de transferência de saldo com taxa promocional, permitia que clientes transferissem saldos pendentes de cartões de concorrentes para cartões do Capital One. A promoção gerou crescimento explosivo de contas. A empresa acompanhava de perto o comportamento dos usuários ao longo do tempo e, eventualmente, os dados indicaram que novos solicitantes representavam maior risco, dando à gestão a visão necessária para descontinuar o produto. Enquanto isso, os concorrentes, sem esse ciclo de feedback, continuaram copiando a oferta até que suas perdas se tornaram catastróficas. Hoje, as empresas precisarão criar um ciclo de feedback entre dados e aprendizado contínuo para transformar insights da IA generativa em ação antes do mercado.
Também é preciso revisar como aproveitar ao máximo o potencial das pessoas. Ferramentas de IA generativa liberam blocos de tempo, mas pesquisas iniciais indicam que esse ganho pode se dissipar em tarefas improdutivas, trabalhos de baixo valor ou ociosidade (veja o artigo “Como sua equipe está usando o tempo economizado pela IA generativa?”, HBR, março–abril de 2025).
Para evitar que os ganhos se percam, trate o tempo como qualquer recurso estratégico: gerencie-o cuidadosamente. Os gestores devem trabalhar com os funcionários para estimar e monitorar as horas poupadas pela IA em tarefas-chave, estabelecer expectativas claras sobre como essas horas serão reaproveitadas e vincular reconhecimento ou incentivos à eficácia do uso do tempo economizado. Essas medidas precisarão evoluir junto com a tecnologia para garantir que a eficiência impulsionada pela IA se traduza em ganhos reais para o negócio e crescimento significativo para os colaboradores.
quadro
Comece a pensar hoje sobre como deve ser o organograma de uma organização centrada em IA, mesmo que as mudanças ocorram mais tarde, pois redesenhar uma organização leva tempo. A IA eliminará alguns cargos existentes, provavelmente aqueles com maior proporção de trabalho no quadrante “sem arrependimentos” (baixo custo de erros e conhecimento explícito). Nos outros quadrantes, a IA generativa complementará o trabalho das pessoas na organização — mas não necessariamente as mesmas que desempenham essas tarefas hoje. Será necessário repensar todo o organograma. Por exemplo, alguns funcionários funcionais podem se tornar multifuncionais. E, em vez de supervisionar alguém que trabalha com software, gestores intermediários podem interagir diretamente com o software. Talvez algumas pessoas se concentrem apenas em tarefas do quadrante prioridade humana.
Em resumo, a diferenciação estratégica virá de três fontes:
- implantação rápida e direcionada da IA generativa em tarefas, valiosa no curto prazo se seus concorrentes permanecerem focados na inteligência ou paralisados por preocupações como alucinações;
- dados proprietários que aprimoram o desempenho da IA generativa ou ajustes de processo que evitam que seu valor se perca em gargalos organizacionais; e
- pessoas, processos e cultura únicos — os “ativos complementares” que tornam a IA generativa mais valiosa dentro de uma organização do que em outras.
Percepções equivocadas estão impedindo muitas organizações de capturar todo o potencial da IA generativa. Alguns líderes acreditam que a IA ainda não é inteligente o suficiente para ser útil; concentram-se em suas imperfeições em vez de reconhecer seu potencial para reduzir custos mesmo quando a qualidade não é perfeita. Outros temem que a taxa de erro seja alta demais para adoção; ignoram que o que importa é o custo dos erros. Alguns insistem que a IA deve ser perfeitamente precisa antes de ser implementada; não percebem que em muitas tarefas a precisão total não é essencial. Outros ainda se frustram porque os ganhos no nível das tarefas não aparecem no resultado financeiro; esquecem que economizar tempo nas tarefas não se traduz automaticamente em economia financeira sem gestão intencional, e que a vantagem sustentável não vem apenas da adoção da IA, mas do uso diferenciado dela. As organizações que reconhecem essas armadilhas, repensam suas suposições e agem deliberadamente para transformar a IA generativa de uma capacidade geral em uma verdadeira fonte de vantagem competitiva serão as que terão sucesso.
Fonte:
Uma versão deste artigo foi publicada na edição de novembro-dezembro de 2025 do periódico Harvard Business Review.
Sobre os autores:
Bharat N. Anand é o reitor e professor de administração de empresas na Stern School of Business da New York University.
Andy Wu é o professor associado de administração de empresas na Unidade de Estratégia da Harvard Business School e pesquisador sênior no Mack Institute for Innovation Management da Wharton School.
Artigo traduzido pelo ChatGPT 5.