Por que o centro não conhece todos os problemas
Os casos mais promissores costumam estar escondidos em atividades banais. Uma equipe consolida manualmente relatórios de várias fontes. Outra revisa contratos semelhantes toda semana. Um analista procura informações em dezenas de documentos. Um gestor transforma atas em planos de ação. Nenhum escritório central consegue enxergar sozinho esse conjunto de fricções, exceções e conhecimentos locais.
Dados empresariais publicados em 2026 mostram que o uso agêntico já está se espalhando para além da tecnologia. Em uma amostra superior a 10 milhões de mensagens, a OpenAI identificou forte crescimento de usuários semanais do Codex em áreas como jurídico, vendas, recrutamento e marketing. O mesmo estudo observou que empresas na fronteira aplicam IA a problemas concretos e avançam da assistência para a delegação de trabalhos mais completos. Como a análise reflete clientes e produtos da própria empresa, ela descreve padrões de uso nessa base, não todo o mercado. Ainda assim, sustenta uma implicação prática. A oportunidade é distribuída entre funções.
Descentralizar, nesse contexto, não significa liberar qualquer ferramenta para qualquer dado. Significa colocar a identificação e o desenho inicial dos casos próximos de quem executa o trabalho, enquanto arquitetura, segurança, privacidade, critérios de risco e padrões de medição permanecem coordenados. O modelo mais robusto combina direção central com experimentação local.
Letramento é capacidade de decisão
Letramento em IA não se resume a escrever prompts. Um profissional preparado precisa compreender o que a ferramenta faz bem, reconhecer limites, proteger informações, fornecer contexto, testar resultados e decidir quando a revisão humana é obrigatória. Precisa também distinguir assistência, automação e delegação. Cada modo exige controles diferentes.
O Work Trend Index de 2026 pesquisou 20 mil pessoas em dez mercados, incluindo o Brasil. Apenas 19% dos usuários de IA estavam na zona em que capacidade individual e prontidão organizacional se reforçam. Fatores organizacionais, como cultura, apoio da gestão e práticas de desenvolvimento, responderam por 67% da importância estatística associada ao impacto percebido, ante 32% dos fatores individuais. O relatório esclarece que se trata de associação, não de causalidade.
O dado muda a responsabilidade pelo aprendizado. Treinar pessoas continua necessário, mas é insuficiente quando metas, incentivos, acesso a dados e gestores preservam o modo antigo de trabalhar. Na mesma pesquisa, apenas 26% disseram perceber alinhamento claro e consistente da liderança sobre IA. Gestores que modelam o uso, definem padrões de qualidade e criam espaço para experimentação ajudam a transformar habilidade individual em capacidade organizacional.
Um caminho prático para o workshop
Um workshop de letramento produz mais valor quando termina com hipóteses de transformação, não apenas com conhecimento conceitual. A sequência pode ser organizada em cinco movimentos.
- Estabelecer uma linguagem comum sobre modelos, copilotos, agentes, limitações e responsabilidade humana.
- Mapear tarefas frequentes, intensivas em informação, sujeitas a espera, erro ou retrabalho.
- Priorizar casos por valor potencial, viabilidade de dados, risco e possibilidade de medir uma linha de base.
- Desenhar um experimento curto, com responsável pelo processo, grupo comparável, critérios de qualidade e hipótese econômica.
- Registrar aprendizados em padrões reutilizáveis, como instruções, fontes aprovadas, testes, controles e indicadores.
Essa lógica evita dois extremos. O primeiro é a centralização excessiva, que transforma o núcleo de IA em gargalo e afasta a solução da realidade operacional. O segundo é a experimentação sem limites, que fragmenta ferramentas, expõe dados e dificulta a comprovação de valor.
O desenho adequado é federado. Um núcleo define plataformas aprovadas, políticas, arquitetura, níveis de risco e padrões de avaliação. As áreas de negócio indicam problemas, constroem protótipos e respondem pelos resultados do processo. Uma comunidade de prática conecta os dois lados, transforma descobertas locais em ativos compartilhados e interrompe casos que não demonstram benefício.
O retorno da IA cresce quando a empresa consegue repetir esse ciclo. Descobrir, testar, medir, aprender e escalar. O workshop é o ponto de partida para criar essa disciplina. O objetivo não é formar especialistas em uma ferramenta, mas ampliar a capacidade da organização de escolher onde a IA merece entrar e provar o valor que ela produz.
