Introdução.
Durante décadas, inteligência analítica foi um recurso escasso. Para analisar milhares de documentos, construir hipóteses, programar uma solução, interpretar dados ou estruturar uma estratégia, era necessário reunir especialistas, tempo e dinheiro.
A Inteligência Artificial está mudando essa equação.
O Stanford AI Index mostra que o custo para utilizar um modelo com desempenho equivalente ao GPT 3.5 caiu mais de 280 vezes entre novembro de 2022 e outubro de 2024. Ao mesmo tempo, a capacidade dos modelos continua avançando. Em 2026, os principais modelos de Anthropic, xAI, Google e OpenAI já aparecem agrupados em uma faixa relativamente estreita de desempenho nos principais rankings. Stanford HAI, 2025 e 2026.
Isso produz uma consequência estratégica pouco discutida.
Inteligência está deixando de ser o recurso escasso.
Não significa que todos os modelos sejam iguais ou que tecnologia tenha deixado de importar. Significa que acesso a capacidade cognitiva extremamente sofisticada está se tornando progressivamente barato, abundante e disponível para praticamente qualquer empresa.
Se todos podem acessar inteligência, o diferencial competitivo precisa migrar para outro lugar.
E esse lugar é o Gemba.
Argumentos.
Gemba é uma palavra japonesa usada no Lean para representar o lugar real onde o trabalho acontece e onde o valor é efetivamente criado. Pode ser uma linha de produção, um centro cirúrgico, uma operação logística, uma central de atendimento, uma área financeira ou até o código de um software. Lean Enterprise Institute.
Existe um conceito complementar no Sistema Toyota, Genchi Genbutsu. Ir ao local, observar diretamente e compreender os fatos na origem antes de tomar uma decisão. Lean Enterprise Institute.
Curiosamente, quanto mais poderosa fica a IA, mais relevante esse princípio se torna.
Um modelo pode conhecer milhares de técnicas de melhoria de processos. Pode explicar DMAIC, VSM, Teoria das Restrições, análise estatística, gestão de estoques, planejamento de produção ou manutenção preditiva em segundos.
Mas ele não sabe, sozinho, por que aquela máquina específica fica parada durante sete minutos na troca de turno.
Não sabe que o operador criou uma planilha paralela porque o ERP demora para atualizar.
Não percebe que determinado indicador é preenchido apenas para atender à reunião de segunda feira.
Não sabe que uma aprovação que deveria levar duas horas demora três dias porque ninguém quer assumir determinado risco.
Também não percebe que duas áreas executam controles redundantes porque deixaram de confiar uma na outra depois de um problema ocorrido anos atrás.
Essas informações raramente estão no banco de dados.
Estão no processo.
Estão nas conversas.
Estão nas exceções.
Estão nos improvisos.
Estão no Gemba.
É justamente aí que aparece um paradoxo da transformação por IA. As empresas estão adquirindo cada vez mais inteligência tecnológica, mas continuam tendo dificuldade para transformá la em resultado econômico.
O Stanford AI Index de 2026 aponta que 88 por cento das organizações pesquisadas já utilizam IA. Stanford HAI, 2026.
A adoção, portanto, deixou de ser uma vantagem competitiva por si só.
A McKinsey encontrou algo ainda mais interessante. Entre 25 características analisadas nas organizações que utilizam IA generativa, o redesenho dos workflows foi o fator mais associado ao impacto percebido sobre EBIT. Mesmo assim, apenas 21 por cento das empresas que utilizavam IA generativa afirmavam ter redesenhado fundamentalmente pelo menos alguns de seus fluxos de trabalho. McKinsey, 2025.
A diferença entre colocar IA em uma empresa e transformar uma empresa com IA está exatamente nesse ponto.
Dar Copilot, ChatGPT, Gemini ou Claude para milhares de colaboradores pode aumentar produtividade individual. Mas isso não necessariamente muda o desempenho do sistema.
Uma pessoa produz um relatório mais rápido.
Outra escreve um e mail melhor.
Outra prepara uma apresentação em metade do tempo.
São ganhos reais, mas locais.
Transformação começa quando alguém pergunta por que aquele relatório existe, quem toma uma decisão a partir dele, quais informações são realmente necessárias, quais etapas poderiam desaparecer e quais decisões poderiam ser executadas autonomamente por agentes.
É uma pergunta de processo, não de modelo.
Pesquisas mais recentes da McKinsey chegam à mesma direção. Ao analisar 190 processos empresariais, aproximadamente 60 por cento do potencial de produtividade relacionado à IA estava concentrado em workflows específicos dos setores, justamente nos processos centrais em que existe profundo conhecimento de domínio. McKinsey Global Institute, 2025.
Isso muda inclusive a lógica dos projetos de IA.
Durante algum tempo, muitas organizações começaram pela tecnologia.
Qual modelo devemos usar.
Qual plataforma devemos contratar.
Devemos usar agentes.
Qual arquitetura é melhor.
Essas perguntas continuam relevantes, mas estão progressivamente deixando de ser o ponto de partida.
O ponto de partida mais poderoso é outro.
Como o trabalho realmente acontece.
Observe uma operação durante algumas horas e provavelmente surgirão dezenas de oportunidades que jamais apareceriam em um workshop dentro de uma sala de reunião.
Retrabalho.
Esperas.
Decisões repetitivas.
Busca de informações.
Reconciliação manual.
Transferências entre sistemas.
Aprovações desnecessárias.
Conhecimento concentrado em poucas pessoas.
Planilhas paralelas.
Controles criados para resolver problemas que já não existem.
É nesse ambiente que IA, automação, analytics e agentes começam a fazer sentido.
A vantagem competitiva também muda.
Quando todos possuem modelos inteligentes, escolher o melhor LLM pode gerar alguns pontos percentuais de vantagem. Entender profundamente o processo pode mudar a economia inteira de uma operação.
O ativo estratégico passa a ser a combinação entre contexto proprietário, conhecimento de domínio, dados, processos, experiência das pessoas e capacidade de transformar tudo isso em novos workflows.
O próprio avanço tecnológico reforça essa tese. Stanford mostra que o desempenho dos modelos de fronteira está convergindo, deslocando parte da competição para custo, confiabilidade e desempenho específico por domínio. Stanford HAI, 2026.
Ou seja, discutir apenas qual modelo é mais inteligente pode rapidamente se tornar uma discussão secundária.
Existe ainda outro aspecto.
A IA consegue gerar respostas extraordinárias para perguntas ruins.
E consegue otimizar processos que nunca deveriam ter existido.
Automatizar desperdício continua sendo desperdício.
Digitalizar burocracia continua sendo burocracia.
Criar um agente para executar dez etapas desnecessárias não transforma o processo, apenas cria uma burocracia mais rápida.
É aqui que Lean e IA se encontram de maneira muito mais profunda do que parece.
Lean sempre ensinou que compreender o trabalho precede a melhoria. John Shook resume a prática de Gemba em três princípios, observar diretamente, investigar as causas e respeitar quem executa o trabalho. Lean Enterprise Institute, 2023.
A IA adiciona uma capacidade inédita a esse princípio.
Podemos observar o Gemba e imediatamente transformar aquilo que aprendemos em modelos, análises, automações, copilotos e agentes.
O ciclo entre observar, compreender, experimentar e implementar ficou dramaticamente mais curto.
Conclusões.
A próxima vantagem competitiva em Inteligência Artificial talvez não esteja em possuir mais inteligência artificial.
Essa inteligência está ficando disponível para todos.
O recurso realmente escasso será compreender melhor que os concorrentes como o trabalho acontece, onde o valor é criado, onde ele é destruído e quais decisões poderiam ser redesenhadas.
Por isso, quanto mais inteligência tivermos disponível na nuvem, mais importante será voltar ao chão da operação.
A empresa que permanecer discutindo IA apenas em salas de reunião provavelmente criará muitos pilotos.
A empresa que levar IA para o Gemba terá condições de redesenhar o trabalho.
A diferença parece pequena, mas representa duas estratégias completamente diferentes.
Uma utiliza inteligência artificial.
A outra transforma inteligência em resultado.
A inteligência virou commodity.
O contexto não.
E o contexto está no Gemba.
