As ferramentas de IA generativa oferecem oportunidades sem precedentes, mas as organizações que as adotam frequentemente enfrentam uma queda inicial de produtividade antes de observar ganhos sustentados. Essa “curva J da produtividade” reflete as dores de crescimento associadas à integração de novos sistemas, à reorganização de fluxos de trabalho e ao investimento em capacidades complementares. Para preencher a lacuna entre a adoção e o impacto mensurável, algumas empresas inteligentes estão adotando uma abordagem disciplinada: a experimentação organizacional. Ao desenhar experimentos direcionados e utilizar métodos científicos para testar, refinar e escalar soluções promissoras, empresas como Siemens, Procter & Gamble e Google estão reduzindo riscos e acelerando o aprendizado. O caminho para a geração de valor impulsionada por IA generativa não é rápido nem linear, mas as organizações que investem em experimentação acabam navegando melhor pela incerteza e transformando potencial em ganhos reais de desempenho.
Depois de revolucionar a indústria de software, a IA generativa está agora avançando para um amplo conjunto de setores, incluindo a manufatura, onde vem ajudando a lidar com a imprevisibilidade e a apoiar a tomada de decisões em tempo real. A capacidade da IA generativa de codificar, automatizar e disseminar o conhecimento organizacional pode, no futuro, remodelar as estruturas de trabalho, do chão de fábrica à alta liderança. Já hoje, algumas empresas a utilizam para analisar o grande volume de informações geradas nas fábricas e para prever problemas, simular cenários complexos e otimizar processos em tempo real. Ao trabalhar com uma ampla variedade de dados da indústria manufatureira — desde manuais de manutenção e códigos de automação de máquinas até diagramas complexos, desenhos 3D e dados de processo —, a IA generativa tem o potencial de estabelecer novas formas de colaboração entre pessoas e máquinas.
Mas quem se beneficiará dessas mudanças, e com que rapidez? Essa não é uma pergunta simples. Assim como a eletricidade e a imprensa, a IA generativa é uma tecnologia de uso geral, cuja adoção, como a história mostra, raramente é simples. Gestores frequentemente deixam de reconhecer o verdadeiro potencial econômico de novas tecnologias e têm dificuldade para reorganizar tarefas, competências e fluxos de trabalho de modo adequado. Como resultado, os ganhos de desempenho geralmente ficam atrás da difusão tecnológica, dando origem ao que se conhece como “curva J da produtividade”: uma queda inicial de produtividade à medida que as organizações se adaptam à nova tecnologia, seguida por ganhos sustentados quando os investimentos complementares começam a dar retorno. Dados recentes sobre IA generativa são consistentes com esse padrão. Uma pesquisa da McKinsey realizada em 2025, por exemplo, constatou que, embora muitas empresas tenham adotado rapidamente a IA generativa, mais de 80% relataram que ela ainda não havia tido impacto significativo nos resultados financeiros.
Como não está claro de que forma as empresas irão adotar a IA generativa, os gestores enfrentam um dilema estratégico: esperar por mais clareza e correr o risco de ficar para trás, ou agir cedo demais e investir em aplicações que não entregam valor?
Para lidar com essa tensão, os líderes precisam encarar a adoção da IA generativa não como uma decisão única, mas como um portfólio de experimentos organizacionais. Assim como os testes A/B no desenvolvimento de produtos digitais, esses experimentos devem buscar isolar efeitos causais — focando não apenas se a IA generativa funciona, mas também como funciona, para quem e sob quais condições. Ao testar aplicações de IA generativa antes de escalá-las, os gestores podem reduzir riscos, refinar suas estratégias e criar impulso interno para a mudança. Especialistas vêm defendendo essa abordagem, mas muitas empresas têm dificuldade em implementá-la. A experimentação, portanto, ainda é uma prática relativamente nova em muitas organizações.
Isso precisa mudar. A experimentação permite que as empresas transformem a incerteza em torno da IA generativa em uma vantagem estratégica. Ela ajuda as organizações a atravessar sua própria fase de adoção com mais sucesso do que seus concorrentes. E o conhecimento gerado por meio da experimentação pode ser aproveitado para reforçar relações existentes — ou criar novas — dentro de seus ecossistemas. Neste artigo, descreveremos como as empresas estão se tornando mais eficazes na adoção da IA generativa por meio da experimentação — tanto dentro de suas próprias organizações quanto em ecossistemas inteiros. As empresas de software foram pioneiras nesse trabalho, mas algumas organizações, como a Siemens, já começam a realizá-lo com sucesso também no mundo físico da produção.
O desafio da adoção
Embora a promessa da IA generativa seja grande, muitas organizações ainda não a incorporaram plenamente. O fato de que essas ferramentas podem gerar alucinações e resultados pouco confiáveis é uma das razões pelas quais as empresas hesitam em usá-las em contextos de alto risco. Mas, segundo diversos especialistas, há um motivo mais profundo: o verdadeiro potencial econômico da IA generativa está na criação de sistemas de valor inteiramente novos, que são difíceis de reconhecer e ainda mais difíceis de implementar. Para um paralelo histórico, basta pensar na eletricidade: as fábricas levaram quase 40 anos para se adaptar à tecnologia e se reorganizar em torno dela, segundo o falecido historiador econômico Paul David.
Incorporar a IA generativa em nível organizacional exigirá que as empresas definam cuidadosamente como integrá-la aos processos, rotinas e equipes existentes. Na manufatura, o desafio será ainda maior, pois nesse contexto a exigência por desempenho, confiabilidade, segurança e integração harmoniosa com trabalhadores humanos é particularmente elevada.
Sob essa perspectiva, a lenta taxa de adoção bem-sucedida não é surpreendente. Ela reflete o desafio mais amplo de tornar a IA generativa útil do ponto de vista organizacional, e não apenas tecnicamente impressionante. É nesse ponto que os experimentos organizacionais podem fazer a diferença.
Motores de Aprendizado e Adaptação
Em sua essência, um experimento organizacional é uma aplicação do método científico. Em um contexto de trabalho real, ele estabelece um grupo de tratamento (por exemplo, funcionários ou equipes que utilizam um novo sistema de IA) e um grupo de controle (aqueles que operam normalmente, sem o novo sistema). O experimento se baseia em um desenho de pesquisa especificado (começando por uma hipótese clara e testável) e pode durar um período prolongado (semanas ou meses) para capturar tanto os efeitos iniciais quanto os sustentados. São coletados dados sobre métricas-chave de desempenho, às vezes complementados por feedback qualitativo dos participantes. A atribuição aleatória ou outros controles são usados para garantir a comparabilidade entre os grupos do experimento.
Para isolar o efeito de uma ferramenta de IA sobre o desempenho, uma empresa pode habilitá-la aleatoriamente para apenas metade de seus funcionários. GitHub e Google, por exemplo, conduziram testes controlados nos quais desenvolvedores foram designados aleatoriamente para programar manualmente ou com assistentes de IA. Aqueles que usaram os assistentes de IA concluíram suas tarefas de programação de 21% a 55% mais rápido e apresentaram taxas de conclusão ligeiramente mais altas do que os que programaram manualmente. Eles também relataram maior satisfação no trabalho e menor desgaste mental. Os resultados — que mostram que assistentes de IA podem acelerar o desenvolvimento e melhorar o bem-estar dos trabalhadores — sugerem que a IA não apenas aumenta o desempenho dos funcionários, mas também pode melhorar sua experiência de trabalho.
Quando a randomização é difícil, algumas empresas implementam implantações escalonadas, introduzindo a intervenção gradualmente em diferentes equipes ao longo do tempo para criar grupos de controle naturais. Em um experimento, uma empresa da Fortune 500 especializada em software de processos de negócios para pequenas e médias empresas nos Estados Unidos escalonou a implementação de um assistente de IA generativa para mais de 5.000 agentes de atendimento ao cliente e comparou o desempenho daqueles que tinham acesso à ferramenta com o dos que não tinham. Constatou-se que a produtividade aumentou cerca de 14% no geral entre os usuários da ferramenta, com um aumento de 34% entre os agentes menos experientes. As pontuações de sentimento do cliente também aumentaram, assim como a taxa de retenção de clientes. Esses resultados levaram a empresa a expandir a ferramenta para toda a organização.
Outra abordagem é criar um “laboratório no campo”, ou seja, um ambiente controlado no qual as interações com a nova tecnologia podem ser observadas. Por exemplo, em um teste recente na Procter & Gamble, 776 desenvolvedores de produtos foram designados aleatoriamente para trabalhar com ou sem IA, e individualmente ou em duplas, durante um hackathon de inovação. (Uma de nós — Raffaella — esteve envolvida na condução do teste.) Em média, usuários individuais de IA tiveram desempenho tão bom quanto equipes que não usaram IA, e tanto os indivíduos quanto as equipes que usaram IA foram melhores em combinar ideias técnicas e comerciais. A P&G concluiu que o uso de IA generativa poderia reduzir o pensamento em silos — e possivelmente permitir a criação de equipes multifuncionais menores.
Embora os experimentos organizacionais compartilhem algumas características com pilotos tecnológicos tradicionais e testes A/B, existem diferenças fundamentais. Pilotos normalmente são testes informais que envolvem equipes escolhidas a dedo e feedback anedótico; decisões de escalonamento costumam se basear mais em entusiasmo do que em evidências. Pilotos carecem de hipóteses claras e grupos de controle e, portanto, têm capacidade limitada de produzir insights generalizáveis. Já os testes A/B funcionam bem para ajustes finos — como a escolha de funcionalidades digitais de um novo produto —, mas raramente capturam os efeitos amplos de uma mudança sobre coordenação, fluxo de trabalho ou a experiência das pessoas. Os experimentos organizacionais vão além de pilotos e testes A/B: eles avaliam o impacto no mundo real e revelam não apenas se a IA generativa funciona, mas também como funciona, para quem e em quais condições. Eles são motores de aprendizado estratégico e adaptação.
Quando conduzidos corretamente, os experimentos organizacionais com IA generativa podem produzir uma série de benefícios, incluindo os seguintes:
Insights causais.
Os experimentos ajudam a distinguir correlação de causalidade, o que é crucial. Sem um desenho experimental que torne essa distinção clara, as organizações não conseguem determinar se os ganhos de produtividade vêm da IA generativa ou, por exemplo, dos primeiros adotantes da tecnologia, que geralmente são mais qualificados ou motivados do que a média.
Granularidade.
Os experimentos podem revelar como a IA generativa afeta de forma diferente distintos tipos de trabalhadores ou unidades. Isso é vital, porque a eficácia da IA generativa depende fortemente do contexto — da tarefa específica em questão, do nível de habilidade do usuário, da integração ao fluxo de trabalho e da cultura organizacional, entre outros fatores. O que funciona de forma brilhante para uma equipe pode falhar de maneira espetacular para outra. Evidências recentes, por exemplo, sugerem que, pelo menos no atendimento ao cliente, copilotos de IA generativa podem trazer grandes benefícios para trabalhadores menos experientes, mas efeitos quase imperceptíveis para os mais experientes. Esse tipo de evidência fornece aos gestores insights valiosos não apenas sobre o impacto da IA generativa em sua organização, mas também sobre os investimentos necessários para concretizar esse impacto — por exemplo, ao implantar novas ferramentas onde elas provavelmente gerarão as maiores melhorias.
Redução de riscos.
Os experimentos ajudam os gestores a identificar possíveis obstáculos de implementação antes de realizar uma implantação em larga escala. Em The Voltage Effect (traduzido no Brasil com o título O Efeito Voltagem), o economista John A. List aprofunda essa ideia, observando que a experimentação pode gerar múltiplos benefícios.
Por exemplo, pode ajudar a evitar falsos positivos (garantir que resultados iniciais positivos não sejam apenas um acaso), compreender o público (evitar o risco de que uma ideia que funciona com um grupo específico e altamente motivado não funcione com um público mais amplo e diverso), avaliar a escalabilidade dos elementos-chave (assegurar que o sucesso de uma ideia não dependa de uma pessoa única, como uma celebridade, mas de um processo ou produto replicável), considerar consequências não intencionais (evitar efeitos inesperados da escala que prejudiquem a ideia original) e gerenciar custos (avaliar se os custos de uma ideia permanecerão sustentáveis à medida que ela cresce). Este último ponto é especialmente relevante para a IA generativa, pois sua adoção exige investimentos significativos em tecnologia, pessoas e processos organizacionais.
Aprendizado estratégico.
Os gestores podem superar a paralisia decisória frequentemente associada à incerteza ao iniciar um processo de descoberta composto por pequenos experimentos baseados em hipóteses testáveis. Projetar experimentos obriga os gestores a se concentrarem em questões estratégicas e a desenvolver um arcabouço para pensar os problemas de forma estruturada. Quando a Siemens, por exemplo, iniciou sua experimentação organizacional, primeiro definiu as hipóteses a serem testadas para capturar o impacto da IA generativa na produtividade e no bem-estar dos trabalhadores. O foco em hipóteses específicas levou a uma definição muito mais clara das métricas a serem coletadas durante o experimento para capturar mudanças de comportamento (por exemplo, o tempo necessário para resolver um problema), mudanças de atitude (por exemplo, nível de satisfação no trabalho) e, em última instância, resultados de produtividade no chão de fábrica. A adesão ao método científico também trouxe clareza sobre os efeitos primários e secundários da IA generativa na manufatura, como a possibilidade de a IA reduzir a dependência dos trabalhadores em relação a engenheiros especialistas. No conjunto, esse processo ajudou a Siemens a compreender o caminho da adoção da tecnologia até a criação de valor de forma muito mais rica e precisa do que seria possível com uma simples implantação genérica de produto.
Experimentação em Ecossistemas
A experimentação com IA generativa não beneficia apenas os potenciais adotantes. Os inovadores podem obter retornos ainda maiores: eles podem aplicar os insights obtidos para ajudar compradores em potencial a entender quais casos de uso de IA generativa realmente importam para eles ou quais desafios podem impedir a integração da tecnologia aos processos existentes. Alguns inovadores com grandes bases de usuários estão liderando a experimentação em torno de novas aplicações de IA generativa fora de suas próprias organizações — por exemplo, em parceria com compradores atuais ou potenciais. Nesses casos, os inovadores orquestram a experimentação em ecossistemas.
A Microsoft, por exemplo, colaborou com uma equipe de acadêmicos para estudar a adoção do Microsoft Copilot por mais de 7.000 funcionários em 66 empresas. A equipe conduziu um experimento estruturado que concedeu licenças do Copilot a um grupo específico de funcionários e, em seguida, acompanhou como seus comportamentos relacionados a e-mails e reuniões mudaram, comparando-os com funcionários em funções semelhantes que não tinham acesso ao Copilot.
A pesquisa constatou que os usuários do Copilot passaram de 1,3 a 3,6 horas a menos por semana lidando com e-mails e redigiram documentos mais rapidamente, mas não alteraram seu comportamento em reuniões. O estudo também mostrou que oferecer treinamento e estabelecer um programa de gestão da mudança são fatores-chave para a adoção. Como a qualidade e a escala do experimento foram robustas, é provável que essas descobertas influenciem a forma como a Microsoft avançará com o Copilot.
De maneira semelhante, a plataforma de software Grab está atualmente colaborando com uma equipe de acadêmicos da Harvard Business School e do INSEAD para examinar o impacto de um assistente de IA em mais de um milhão de empreendedores em seis países. A escala do experimento permite que a Grab identifique com precisão quais tarefas a IA generativa mais auxilia e como diferentes tipos de negócios na plataforma da empresa realmente a utilizam. Esses dados permitem que os desenvolvedores de produto da Grab continuem aprimorando a forma como projetam, implementam e experimentam soluções de IA.
IA no Chão de Fábrica
Empresas de software não são as únicas que podem se beneficiar da experimentação em ecossistemas com IA. Ao colaborar com diversos clientes, a Siemens criou o que chama de um “assistente alimentado por IA generativa para o chão de fábrica”, que ajuda os trabalhadores da produção na manutenção e no reparo de máquinas industriais. O assistente de IA generativa fornece acesso instantâneo a informações das máquinas incorporadas em documentos estáticos e a dados ao vivo das máquinas por meio de uma interface de chat intuitiva.
A Siemens lançou uma versão inicial da ferramenta para usuários selecionados, a fim de ajudá-los a entender como integrá-la ao trabalho diário. Os clientes, que incluem desde fabricantes de máquinas até seus usuários finais, testaram o produto mínimo viável em diversos contextos operacionais, em um conjunto de experimentos exploratórios projetados para revelar insights técnicos, organizacionais e comerciais. Esses experimentos ajudam a Siemens a melhorar e refinar seu produto — por exemplo, ao comparar a qualidade das respostas a diferentes perguntas para identificar os estilos de prompt mais eficazes e determinar quais áreas dos manuais precisavam de melhorias. Os clientes acolheram a abordagem, vendo-a como uma oportunidade de começar a experimentar a ferramenta desde já e de se preparar para o que uma versão mais poderosa poderá fazer no futuro.
A Siemens realizou o primeiro teste de seu assistente de IA generativa para o chão de fábrica em 2024, em sua fábrica experimental em Erlangen, na Alemanha. Todos os autores deste artigo estiveram envolvidos no teste. Técnicos de manutenção foram orientados a usar a ferramenta durante reparos complexos de máquinas de alto custo. Esses reparos normalmente envolvem múltiplas etapas para identificar e substituir peças desgastadas ou quebradas. Os experimentos testaram se o assistente poderia simplificar o processo ao fornecer análises passo a passo e instruções de reparo diretamente no fluxo de trabalho. Resultados iniciais — baseados em pesquisas estruturadas antes e depois, combinadas com dados granulares de desempenho — mostram que o assistente reduziu o tempo necessário para encontrar informações e ajudou os trabalhadores a lidar com tarefas de forma mais independente.
A experimentação ensinou à Siemens as seguintes lições importantes sobre seu assistente de chão de fábrica e, de forma mais ampla, sobre a adoção e o uso de IA por trabalhadores da produção:
Os usuários desconfiam até experimentarem.
Os técnicos de manutenção da Siemens inicialmente estavam céticos em relação ao seu futuro pessoal em uma fábrica aprimorada por IA generativa. No entanto, após algumas semanas usando o assistente, relataram sentir-se mais seguros em seus empregos. O motivo foi que, ao reduzir drasticamente o tempo necessário para encontrar informações, a ferramenta lhes permitiu dedicar mais tempo ao trabalho importante que somente eles podiam realizar.
É uma ferramenta valiosa de aprendizado.
Mesmo sem qualquer treinamento inicial, os usuários rapidamente passaram a utilizar o assistente para ampliar sua compreensão das máquinas e das possíveis causas de incidentes recorrentes. Isso abre uma nova forma de fornecer conhecimento aos trabalhadores da produção, que normalmente não participam de sessões estruturadas de compartilhamento de conhecimento como os trabalhadores de escritório. A ferramenta também dá aos trabalhadores mais autonomia quanto ao momento e ao local do aprendizado, reduzindo sua dependência da disponibilidade e da disposição de colegas mais experientes para atuar como instrutores.
Ela capacita os trabalhadores a assumir trabalhos mais complexos.
Como técnicos de manutenção, por exemplo, conseguem lidar com muitos incidentes complicados com o apoio do assistente, eles passaram a depender menos dos engenheiros de processo. Em contrapartida, com menos solicitações vindas da manutenção, os engenheiros de processo têm mais tempo para tarefas de maior valor, como a otimização de processos produtivos e atualizações tecnológicas.
Ela permite que os trabalhadores realizem seu trabalho com mais facilidade.
Durante o período de testes em 2024, a Siemens reduziu significativamente o tamanho de suas equipes por motivos não relacionados à introdução da ferramenta de IA generativa. Ainda assim, a equipe menor conseguiu manter um nível estável de produção, mesmo quando os membros frequentemente precisavam lidar sozinhos com incidentes, sem a opção de chamar rapidamente um colega para obter apoio. Esses trabalhadores inclusive relataram sentir menos estresse ao trabalhar com o assistente, mesmo na ausência de outros tipos de suporte.
A Siemens está aproveitando essa experiência para desenvolver um estudo randomizado controlado de maior escala, a fim de testar o impacto causal do assistente de chão de fábrica em suas fábricas, bem como junto a clientes selecionados dentro de seu ecossistema. Além disso, as capacidades desenvolvidas graças a essa exposição à experimentação levaram a empresa a aplicar métodos semelhantes para testar se, e como, o desenho de novos cargos “intensivos em IA” afeta a quantidade e a qualidade dos candidatos a emprego.
Tornar-se um Experimentador Organizacional
Descrevemos os muitos benefícios dos experimentos organizacionais, mas não afirmamos que eles sejam fáceis de implementar. Para colocá-los em prática com sucesso, é necessário concentrar-se em várias áreas críticas.
Necessidades do cliente.
No centro de qualquer experimento bem-sucedido com IA generativa está uma compreensão profunda das necessidades do cliente. As organizações devem se concentrar em resolver problemas específicos e de alto impacto. As soluções experimentais precisam oferecer um potencial claro de retorno sobre o investimento — e um impacto potencial claramente articulado e testável. Isso exige a realização de extensas entrevistas com clientes para garantir que as soluções atendam a necessidades urgentes, e não apenas ofereçam melhorias “agradáveis de ter”. Ao distinguir entre diferenciais estratégicos e inconvenientes menores, as empresas conseguem direcionar seus recursos para experimentos de alto impacto e evitar dispersá-los em pequenos pilotos de valor questionável. Foi isso que a P&G fez em seu experimento, por exemplo: ao se apoiar em um entendimento profundo do processo tradicional de inovação de produtos, a empresa reconheceu que um “colega cibernético”, viabilizado por IA generativa, poderia ajudar a reduzir as fricções que frequentemente surgem entre membros das equipes de marketing e de P&D (os usuários finais, nesse caso), especialmente nas fases iniciais do desenvolvimento de produtos.
Protótipos utilizáveis.
Durante o processo de desenvolvimento de produtos, as equipes precisam construir protótipos iniciais que as pessoas possam efetivamente usar e testar. Em seguida, devem envolver os usuários em experimentações no mundo real que permitam aprimorar rapidamente esses protótipos até que estejam prontos para uma implementação mais ampla. Esse processo constrói confiança e aumenta a probabilidade de que os experimentos gerem insights reais e melhores resultados. Essa abordagem trata a IA generativa não como um substituto dos trabalhadores, mas como um meio de ajudá-los a desempenhar melhor suas funções.
Mentalidade de aprendizado.
O desenvolvimento tradicional de produtos, que muitas vezes é lento e voltado para dentro da própria organização, não é adequado para a experimentação com IA generativa. Para impulsionar a inovação, as empresas precisam adotar uma abordagem experimental que traga os clientes para o processo desde o início e na qual equipes multifuncionais trabalhem em ciclos curtos para testar ideias e coletar feedback rapidamente. Ao experimentar sua ferramenta de IA generativa, a Siemens recorreu a uma ferramenta pré-existente chamada Innovation Validation Engine, que garante que tudo o que a empresa faz esteja focado em resolver problemas reais dos clientes de forma precoce e ágil. Essa abordagem dá mais controle aos usuários finais e torna as equipes de produto diretamente responsáveis pela entrega de valor. Foi exatamente o que a Siemens precisava para identificar, validar e desenvolver aplicações de IA generativa em ambientes industriais com rapidez, precisão e alinhamento com o mercado.
Especialização em experimentação.
Aplicar o método científico dentro das empresas exige uma combinação de competências. As equipes precisam saber como desenhar e conduzir bons experimentos — formulando hipóteses claras e testáveis e determinando tamanhos de amostra apropriados — e como executá-los de maneira eficaz, mantendo-os no rumo certo. Também precisam ser capazes de analisar os resultados, explicar seu significado e usar as conclusões para tomar decisões. Como essas habilidades são comuns no meio acadêmico, algumas empresas recorreram a especialistas acadêmicos para obter apoio. Em 2020, por exemplo, a Amazon contratou Justine Hastings, uma renomada economista do trabalho, para operacionalizar experimentações em larga escala focadas em pessoas. Em 2022, o Walmart trouxe John A. List para ajudar a testar e escalar uma ampla gama de experimentos, envolvendo desde ferramentas de merchandising com IA generativa até práticas de RH. Outras empresas estão estabelecendo parcerias com pesquisadores acadêmicos que lhes permitem “emprestar” capacidades experimentais em vez de internalizá-las. Foi o que Google, GitHub e Procter & Gamble fizeram para conduzir os experimentos descritos neste artigo.
Capacidades de parceria.
Para impulsionar prototipagem eficaz, experimentação, descoberta e compartilhamento de conhecimento, as empresas que experimentam IA generativa precisam desenvolver parcerias ativas com um conjunto diverso de atores — fornecedores, clientes e especialistas do setor, além de acadêmicos. O ponto central é criar equipes que tenham conhecimento de domínio e autoridade suficientes para desenhar e conduzir experimentos alinhados às necessidades do negócio e, em seguida, garantir que essas equipes consigam se comunicar de forma confiável com o time de desenvolvimento de produtos. Acima de tudo, se você é um líder que deseja tornar a experimentação uma parte integrante do desenvolvimento estratégico de produtos da sua empresa, precisa deixar constantemente claro seu compromisso com o aprendizado contínuo e com a tomada de decisão orientada por dados.
A experimentação rápida e rigorosa está emergindo como um imperativo estratégico na era da IA generativa. As empresas que desenvolvem a capacidade de testar, aprender e se adaptar em tempo real — tanto internamente quanto em seus ecossistemas — estarão mais bem posicionadas para converter o potencial tecnológico em vantagem organizacional. Eis a verdade incômoda: enquanto você debate a estratégia de IA generativa, seus concorrentes podem estar aprendendo sistematicamente o que funciona. Ao adotar a experimentação como uma disciplina, as empresas podem transformar a incerteza em uma fonte de diferenciação estratégica e, com isso, ajudar a moldar o futuro do trabalho.
Fonte:
Uma versão deste artigo foi publicada na edição de janeiro-fevereiro de 2026 do periódico Harvard Business Review.
Sobre os autores:
Johannes Berndt é gerente sênior de projetos na divisão de Pessoas e Estratégia Organizacional da Siemens.
Florian Englmaier é professor de economia organizacional na LMU Munich (Universidade Ludwig Maximilian de Munique).
Raffaella Sadun é a professora de Administração de Empresas na Harvard Business School, copresidente do projeto Managing the Future of Work e presidente do conselho da Harvard Business Publishing.
Jorge Tamayo é professor assistente na área de Estratégia da Harvard Business School.
Nikolaus von Hesler é o diretor global de Pessoas e Estratégia Organizacional da Siemens.
Artigo traduzido pelo ChatGPT 5.