As Três Mudanças para Passar da Assistência da IA à Apropriação

De acordo com o estudo da Deloitte sobre as Tendências Tecnológicas Emergentes de 2025, 30% das organizações estão a explorar a IA agêntica e 38% estão a testar soluções-piloto. Mas apenas 11% estão a utilizar estes sistemas em produção.

A lacuna não está na preparação técnica. Os modelos funcionam. Os dados existem. As ferramentas estão acessíveis. O que falta é infraestrutura organizacional — os sistemas de governação, responsabilidade e incentivos que tornam seguro confiar decisões à IA.

As equipas que passam dos projetos-piloto para a produção fazem três mudanças específicas. Nenhuma delas é principalmente técnica.

Mudança Um: redefinir o discernimento como capacidade organizacional

A maioria das organizações trata o discernimento como uma competência pessoal que reside na cabeça das pessoas em cargos superiores. Duas pessoas podem lidar com o mesmo caso de forma diferente e ninguém consegue explicar porquê. Não há forma de melhorar o processo de maneira sistemática porque a responsabilidade pelas decisões da IA continua por definir.

Ahmed Zaidi, CEO da Accelirate, deparou-se com este padrão enquanto trabalhava com um grande sistema hospitalar. A equipa de 15 enfermeiros responsável pela redação de cartas de recurso contra recusas de pedidos dirigidas às seguradoras parecia seguir um processo simples. À primeira vista, o trabalho parecia poder ser facilmente codificado.

“O que rapidamente se tornou controverso foi o facto de não existir, na realidade, «um» processo”, afirma Zaidi. “Cada enfermeiro tinha desenvolvido a sua própria estratégia ao longo de anos de experiência.”

Quando a equipa de Zaidi tentou escrever «como fazemos realmente isto», os enfermeiros discordaram sobre questões fundamentais: 

• O que constituía uma justificação clínica sólida? 
• Que documentação deveria ser salientada? 
• A que tom ou linguagem respondiam determinadas seguradoras? 
• Quando escalar o caso em vez de reformular o recurso?

As dependências ocultas eram ainda mais profundas. As decisões não se baseavam apenas no código da recusa. Dependiam das notas dos médicos, ocultas num sistema, dos dados de autorizações prévias noutro e de formulações clínicas subtis presentes na documentação em texto livre. Algumas estratégias dependiam de hábitos específicos de documentação dos médicos que não estavam normalizados.

“O que parecia simples — «automatizar os recursos» — transformou-se num exercício organizacional para tornar explícito o discernimento implícito”, afirma Zaidi.

O avanço ocorreu quando a equipa deixou de tentar escolher a abordagem «certa» de um enfermeiro e passou a agregar o conhecimento informal dos 15 enfermeiros. Organizaram sessões estruturadas nas quais os enfermeiros debateram estratégias, identificaram casos-limite e chegaram a um consenso sobre o que, historicamente, conduzia a recuperações bem-sucedidas. Depois, cruzaram esses dados com resultados reais — que modelos obtinham mais recursos aprovados e que combinações de documentação melhoravam as taxas de reversão.

Em vez de codificarem opiniões, codificaram padrões validados.

Esta externalização cria algo que as organizações raramente possuem: a capacidade de observar e melhorar o discernimento em escala. Cada ação é registada. Cada exceção torna-se visível. Cada substituição revela onde as regras não correspondem à realidade. As equipas conseguem identificar padrões, aperfeiçoar limiares e melhorar o desempenho ao longo do tempo.

O resultado foi mensurável: maior precisão nos recursos, menor tempo de ciclo, aumento das taxas de recuperação e redução do risco de conformidade, porque as decisões passaram a ser normalizadas, documentadas e auditáveis. 

A governação não abrandou o sistema; deu à organização uma forma de aprender sistematicamente com as suas próprias decisões.

Mudança Dois: atribuir uma responsabilidade clara pelo comportamento do agente

A principal limitação à passagem para a produção é a confiança da organização de que as ações da IA são controladas, auditáveis, reversíveis e supervisionadas.

As equipas que avançam atribuem a responsabilidade operacional a uma única pessoa, que passa a ser explicitamente responsável pelo comportamento do agente, incluindo os seus erros. O primeiro erro significativo testa se esta infraestrutura funciona realmente.

Na implementação do sistema de recursos hospitalares, Zaidi tinha um agente a auxiliar na redação e priorização de recursos contra recusas, concebido para fazer a triagem dos casos e recomendar a escalada quando determinados limiares de risco fossem atingidos.

A primeira falha relevante ocorreu quando o agente classificou incorretamente como normal uma recusa de valor elevado e sensível ao tempo, não a tendo escalado. A lógica interpretou corretamente o código da recusa, mas não atribuiu o peso necessário a um fator contextual secundário — o prazo de recurso que estava a expirar, associado ao contrato daquela entidade pagadora.

O erro foi contido, mas teve impacto financeiro relevante. Foi detetado através de uma auditoria diária de exceções que a equipa tinha integrado no fluxo de trabalho — uma camada de análise humana que fazia uma amostragem de casos de elevado valor.

“O que aquele momento revelou não foi que o agente fosse imprudente, mas sim que os nossos critérios de escalada estavam incompletos”, afirma Zaidi. “Tínhamos codificado a lógica clínica e a lógica das recusas, mas não tínhamos integrado totalmente os metadados contratuais na estrutura de priorização.”

A estrutura de governação ajudou de duas formas: 

1. Os registos e a rastreabilidade mostraram exatamente por que motivo o agente tomou a decisão, e a auditoria com intervenção humana detetou os casos de alto risco. 
2. Expôs uma lacuna. A definição de "risco" era demasiado restrita.

A equipa respondeu alargando as regras de escalada para incluir variáveis de risco financeiro e temporal, implementando limiares dinâmicos baseados nos contratos, aumentando a monitorização de recursos prestes a expirar e adicionando vias de substituição mais claras.

A forma como a liderança lida com esse primeiro erro determina tudo. Se o tratar como uma oportunidade de aprendizagem e ajustar o sistema, as equipas ganham confiança. Se recuar ou atribuir a culpa a uma pessoa, o projeto-piloto morre.

As organizações que são bem-sucedidas não evitam os erros. Constroem sistemas que os revelam rapidamente, tratam-nos como dados e melhoram.

O ponto cego da governação

Uma das falhas de governação mais comuns que Zaidi observa é aquilo a que chama governação passiva da IA, ou a crença de que registar equivale a controlar.

"As organizações dirão com confiança: 'Todas as decisões tomadas pelo agente ficam registadas. Temos rastreabilidade total,'" afirma Zaidi. "Isso parece tranquilizador, especialmente num ambiente regulamentado. Mas o simples registo não reduz o risco. Limita-se a registá-lo."

Nos cuidados de saúde, as decisões dos agentes e as utilizações da IA envolvem frequentemente a gestão de contratos e nuances, linguagem clínica, interpretação por parte dos pagadores e restrições temporais. Mesmo que todos os resultados sejam tecnicamente rastreáveis, o risco acumula-se em casos-limite que ficam imediatamente fora dos limiares predefinidos, em alterações nos padrões de documentação ou no comportamento de resposta dos pagadores e em escaladas que deveriam ter ocorrido, mas que tecnicamente não violaram uma regra.

Muitas organizações partem do princípio de que, como nada correu mal, o sistema está em conformidade. Mas a ausência de uma falha imediata não é prova de segurança. Pode simplesmente significar que ninguém está a analisar a situação com profundidade suficiente.

A verdadeira maturidade da governação da IA inclui cadências de revisão definidas para a amostragem de decisões, limiares de risco quantitativos que acionam automaticamente uma revisão humana, uma atribuição clara da responsabilidade pela monitorização ao nível operacional e ciclos de feedback nos quais padrões recorrentes de exceção conduzem ao aperfeiçoamento das regras.

Faço frequentemente aos líderes uma pergunta simples: 'Quem acorda de manhã com a responsabilidade pelo que o agente decidiu ontem?'" afirma Zaidi. "Se não houver uma resposta clara, o modelo de governação não está concluído.

Mudança três: alterar o que é valorizado

Na maioria das organizações, o conhecimento especializado tem estado estreitamente associado ao estatuto, à segurança no emprego e ao poder informal. Ser "a pessoa que sabe" é a forma de construir e proteger influência. Tornar explícito o discernimento pode parecer uma cedência da única influência de que o sistema ensinou as pessoas a depender.

No sistema hospitalar, a equipa de enfermagem tinha sido historicamente avaliada com base no volume — o número de cartas de recurso que conseguia preparar por dia.

Depois de ser introduzida a redação apoiada por um agente, essa métrica tornou-se contraproducente. Se a IA estava a gerar os primeiros rascunhos, o volume, por si só, já não refletia o valor.

A avaliação do desempenho passou a centrar-se na precisão da revisão clínica, na eficácia das alterações às cartas geradas pela IA, nos montantes recuperados influenciados e no contributo para a melhoria dos modelos e da lógica de escalada.

Uma enfermeira em particular destacou-se como líder. Tinha uma capacidade excecional para explicar por que motivo determinadas formulações funcionavam melhor com seguradoras específicas. Em vez de ser avaliada pela rapidez de produção, tornou-se fundamental para transformar o seu discernimento em regras e modelos de sistema reutilizáveis.

A influência dela aumentou porque conseguia traduzir a intuição em lógica estruturada," afirma Zaidi. "Esse é um conjunto de competências muito diferente que, em ambientes agênticos, é extremamente valioso.

A mudança foi cultural: de "Com que rapidez consegue produzir?" para "Quão bem consegue moldar sistemas de decisão?"

Quando as organizações recompensam feitos heroicos, rapidez ou intuição — mas não recompensam a documentação, a supervisão ou a melhoria dos sistemas — o conhecimento especializado permanece preso aos indivíduos. As equipas que fazem a transição promovem pessoas capazes de ensinar o seu discernimento a um sistema, de o melhorar ao longo do tempo e de melhorar os outros através dele.

Quando a experiência é encarada como algo que desenvolve a capacidade organizacional, em vez de ser vista como uma indispensabilidade pessoal, a resistência à IA diminui. A transferência para agentes torna-se um sinal de senioridade, em vez de uma ameaça à mesma.

Os primeiros sinais de alerta de insucesso

Nos primeiros 30 a 60 dias de um projeto-piloto, o insucesso é quase sempre previsível.

O maior sinal de alerta é a ausência de um resultado claramente definido. Se uma equipa não consegue explicar, em termos operacionais, em que consiste o sucesso — reduzir o tempo de ciclo, aumentar a recuperação, diminuir as taxas de erro —, então é provável que o projeto-piloto seja apenas uma experiência sem direção.

Outros sinais de alerta incluem a ausência de um responsável operacional claramente identificado, o desalinhamento entre a área de negócio e as TI relativamente ao compromisso de tempo e à complexidade, a incapacidade de explicar o processo de decisão concreto que está a ser automatizado e o tratamento da iniciativa como "exploração da IA" em vez de uma reformulação operacional.

Os projetos-piloto ficam paralisados quando as partes interessadas da área de negócio subestimam o esforço necessário para transformar o julgamento em lógica estruturada, enquanto as TI subestimam a variabilidade e os casos-limite dos processos de negócio.

Os projetos-piloto bem-sucedidos fazem três coisas nos primeiros 30 dias:

• Definem um âmbito restrito com resultados mensuráveis
• Atribuem a responsabilidade à área de negócio e garantem especialistas na matéria dedicados e comprometidos
• Garantem cobertura executiva para experimentar e removem obstáculos processuais.

"A IA agentiva não é um problema de implementação tecnológica — é um problema de arquitetura de decisão", afirma Zaidi. "Se isso não for abordado desde o início, transforma-se numa prova dispendiosa."

O que significa estar preparado

Quando uma organização afirma estar preparada para expandir uma solução agentiva, Zaidi procura maturidade estrutural nas pessoas, nos processos e na tecnologia. Isso significa:

• Um responsável da área de negócio identificado e responsabilizado pelos resultados
• Uma árvore de exceções e escalonamento claramente definida
• Visibilidade sobre as decisões e os resultados
• Uma economia unitária que justifique a expansão
• Um quadro de governação de base já em funcionamento.

A maioria das equipas subestima duas coisas: o custo da análise e o tempo necessário para transformar adequadamente a lógica de decisão em algo explícito.

Um sinal de maturidade em que Zaidi aprendeu a confiar:

Se eu perguntar: 'Como decide o agente quando está perante uma incerteza?' e conseguirem responder claramente — incluindo os limiares de escalonamento e a responsabilidade —, é provável que estejam preparados. Se a resposta for vaga ou remeter para 'o modelo há de descobrir', continuam otimistas, mas não estão preparados.

A capacidade que importa agora situa-se na fronteira entre o julgamento e os sistemas. Pessoas que conseguem explicar por que motivo uma decisão foi tomada, e não apenas o que decidiram. Que conseguem decompor a intuição em sinais, limiares e exceções. Que têm curiosidade em relação aos pontos em que o seu próprio julgamento falha.

No dia a dia, passam menos tempo a executar trabalho e mais tempo a supervisionar, corrigir e aperfeiçoar a forma como o trabalho é realizado, seja por pessoas ou por agentes.

As organizações que dominam esta mudança obtêm algo que os concorrentes presos ao modo de projeto-piloto não têm: a capacidade de melhorar o julgamento em escala. Podem testar pressupostos, medir resultados e iterar sobre a qualidade das decisões de formas que eram impossíveis quando a experiência residia apenas na mente das pessoas.

A vantagem competitiva não está em ter uma IA melhor. Está em possuir uma infraestrutura organizacional que torna possível a adoção da IA. Essa infraestrutura — uma governação que permite ganhar velocidade, uma responsabilização que cria prestação de contas e incentivos que valorizam a experiência transferível — é o que distingue os 11% que estão em produção dos 38% presos em projetos-piloto.