Da curiosidade à confiança: um enquadramento prático para a adoção da IA

David Rice: Portanto, a sua equipa está curiosa em relação à IA. Viram as demonstrações. Leram os artigos. Acham que é interessante. E não estão a fazer absolutamente nada com ela, porque a curiosidade sem confiança é apenas procrastinação com uma aparência melhor.

O meu convidado de hoje é Justin Angsuwat. É o Diretor de Pessoas da Culture Amp e vai explicar-nos como é que a sua organização conseguiu que quase 80% dos seus colaboradores ganhassem confiança na utilização da IA em apenas seis semanas.

Não curiosidade, confiança. Eis o que fizeram de forma diferente. Separaram a exploração da expectativa. Sem pressão para apresentar resultados aperfeiçoados, sem esperar por autorização, apenas um percurso estruturado desde a compreensão, passando pela experimentação, até à integração. Mas há alguns aspetos desconfortáveis com que Justin está agora a lidar.

A confiança não se traduz automaticamente em integração. As pessoas continuam a olhar para aquele ponto, a analisar os seus fluxos de trabalho diários, e bloqueiam. E, por vezes, os colaboradores mais experientes, que deveriam trazer a IA para a organização, são os que têm mais dificuldades, porque a sua identidade está ligada ao fluxo de trabalho que a IA acabou de tornar obsoleto.

Por isso, hoje vamos abordar as razões pelas quais se concentraram na confiança dos colaboradores, e não em métricas de utilização ou objetivos de automatização. Os exercícios semanais que criaram impulso, como fazer passar as pessoas de tarefas determinísticas para tarefas probabilísticas, que é onde reside o impacto real. Porque é que os colaboradores mais jovens podem ser mais nativos do que os executivos que lideram a transformação, e qual é o aspeto prático de uma confiança ligeiramente inferior a 80%.

Eu sou David Rice. Isto é o People Managing People. E, se está preso entre a curiosidade e a implementação efetiva, esta conversa vai mostrar-lhe exatamente como uma empresa ultrapassou essa distância. Vamos começar.

Justin, bem-vindo ao programa.

Justin Angsuwat: Obrigado, David. É bom estar aqui. Estou entusiasmado por conversar.

David Rice: É um prazer ter-te connosco.

Estou contente por dar seguimento à nossa conversa em Orlando. Tenho estado ansioso por isto. Antes de aprofundarmos o Coach e tudo aquilo que construíram, explica-me como é que as tuas equipas começaram efetivamente a construir com IA. O que é que as fez ultrapassar a fase da curiosidade?

Justin Angsuwat: Bem, se começarmos pela IA em geral na organização, começámos por criar aquele momento de descoberta.

E isso, por si só, foi uma aprendizagem para nós. Quando começámos com as nossas equipas de produto e passámos depois para outras equipas, isso significou começar com um objetivo, que para nós era a confiança dos colaboradores na utilização da IA. Sei que existem muitos outros objetivos possíveis, como a utilização ou a automatização, mas para nós era bastante claro que o foco estava nas pessoas por detrás da tecnologia.

Por isso, o nosso objetivo era melhorar a confiança dos colaboradores na utilização da IA. É um pouco difícil medir um momento de descoberta. E lançámos este programa de seis semanas, concebido para separar a exploração da expectativa. Tratava-se intencionalmente de aprender, experimentar e simplesmente tentar. Não era para entregar um resultado aperfeiçoado, o que retirou alguma pressão e fez com que as pessoas se envolvessem muito mais com aquela tecnologia relativamente nova na altura.

David Rice: O que tenho visto até agora nas empresas que analisámos ou com quem falámos é que a curiosidade é relativamente fácil, certo? As pessoas querem explorar. Mas o verdadeiro progresso normalmente precisa de algum tipo de estrutura ou clareza, ou idealmente de uma vitória partilhada logo no início. E estou curioso para saber como foi essa transição para a tua equipa, quando mencionaste aquele momento de descoberta.

Houve algum estímulo ou vitória inicial que ajudasse as pessoas a passar de “sim, vamos aprender sobre isto” ou “isto é interessante” para “é isto que vamos fazer com a ferramenta”?

Justin Angsuwat: Sim. Como disseste, isso foi fundamental. Não tínhamos assim tanta clareza sobre aquilo que iríamos conseguir fazer com a ferramenta.

E esse não foi o momento de descoberta. O interessante foi que os momentos de descoberta das pessoas eram bastante diferentes uns dos outros. Por isso, era difícil normalizá-los. O que fizemos foi aquilo que mencionei antes: este programa de seis semanas a que chamámos Accelerate, com IA no meio do nome, portanto, Accelerate.

Porque, como sabes, não se pode ter um programa sem IA no nome. Definimos fases que ajudavam, de forma geral, as pessoas a avançar nesse percurso: da compreensão à experimentação e depois à integração, ou à utilização no dia a dia. Embora essa última parte seja a mais difícil e ainda estejamos a tentar encontrar a solução.

Não foi perfeito, mas ajudou realmente os nossos colaboradores a sentirem-se apoiados em vez de apressados ou expostos. Se toda a gente está a criar coisas e eu não sei como criar algo, isso pode ser intimidante. Mas também foi importante não os deixar demasiado confortáveis com o estado atual.

Continuámos a avançar da compreensão para a experimentação e para a integração. Fizemo-lo através de muito conteúdo e de muitas sessões de aprendizagem, nas quais as pessoas podiam utilizar as ferramentas e criar efetivamente coisas. Desde um jogo de computador a um vídeo. Depois partilhávamos pequenas vitórias para gerar mais impulso.

Lançava exercícios ou competições semanais em toda a empresa. Podia ser algo como criar um vídeo gerado por IA para a nossa marca empregadora, ou aquele jogo do Gandalf, em que se tenta descobrir a palavra-passe e convencer o Gandalf a revelá-la. Ver quem conseguia chegar à última fase e o que tinha aprendido.

Era muito divertido observar isso. Lembro-me de um colaborador que ficou tão entusiasmado por criar um agente em apenas alguns minutos que foi para casa e contou ao companheiro. O companheiro respondeu: “Fizeste isso?” E ele disse: “Fiz.” A confiança dessa pessoa aumentou e a confiança de toda a equipa à sua volta também aumentou.

Porque passaram a pensar: “Eu consigo fazer isto.” E isso foi muito importante para criar impulso ao longo das seis semanas: repetir o ciclo de ajudar as pessoas a compreender, experimentar e integrar, tornando essa integração mais relevante para o seu trabalho diário.

Ainda temos muito a fazer nesse domínio, mas o nosso ponto de partida foi tentar utilizar as mesmas ferramentas que as pessoas podiam utilizar no local de trabalho, fosse o Miro, o Glean, o Gemini, o Copilot ou qualquer outra. Fizemos parcerias com essas empresas, convidámo-las a participar e, quando lançámos o programa, não esperámos nem pedimos autorização.

Simplesmente lançámos o programa e continuámos a desenvolvê-lo. Partilhei recentemente algo sobre isso no LinkedIn e alguém resumiu a questão com um comentário excelente, que ia ao encontro do que disseste, David. Era algo como: “Vejo muitas empresas saltarem diretamente para a escada e dizerem que querem ver todas as grandes ideias para melhorar o trabalho com IA, mas ainda não começaram por equipar as pessoas com a confiança fundamental necessária para começar.” Esse tem sido o nosso principal foco inicial.

David Rice: A outra questão é ajudar as pessoas a compreender o que é realmente útil. Porque é que achas que isto funcionou tão bem? Muitas outras abordagens acabam por estagnar. As pessoas chegam a um ponto em que pensam: “Posso fazer tudo.” E depois surge o problema da tela em branco: não sabem por onde começar ou simplesmente pensam: “Não preciso disto.”

Explica-me como levar as pessoas a fazer as perguntas certas, porque isso exige nuance e contexto. É preciso ajudá-las a perceber o que devem fornecer à IA para obterem o máximo dela.

Justin Angsuwat: Sim, isso tem sido difícil. Essa será a nossa última fase: como utilizo a ferramenta no meu dia a dia e como a integro nos meus fluxos de trabalho diários.

Ainda estamos a trabalhar nisso. O que tornou o primeiro passo bem-sucedido foi termos estado totalmente concentrados na primeira parte: como tornar as pessoas realmente confiantes na utilização da IA sem sequer termos identificado todos os casos de utilização. Muitos tinham uma barreira mental: “É demasiado difícil.”

Mesmo ao longo do programa de seis semanas, algumas pessoas acompanhavam e faziam os pequenos pedidos para criar o jogo de computador, mas depois voltavam ao fluxo de trabalho diário e sentiam-se novamente intimidadas. Olhavam para aquela página em branco.

Por isso, com algumas equipas lançámos um pequeno hackathon. Mesmo em equipas de três pessoas, surgiam dúvidas: “Tenho de fazer eu os pedidos? Pode fazê-los outra pessoa? Por onde começo?” Mas era um ambiente muito mais seguro e, de certa forma, aquele estímulo de que precisavam para pensar: “Está bem, estou sentado em frente ao ecrã. Vou simplesmente experimentar.”

O momento de descoberta foi perceber que não era tão difícil como tinham imaginado. Por isso, não creio que tenhamos resolvido completamente a questão. A primeira fase é criar essa confiança, e conseguimos fazê-lo. Medimo-la depois do programa e verificámos que pouco menos de 80% de toda a organização tinha confiança na utilização da IA no trabalho diário.

Apenas 4% tinham uma perceção negativa. Também medimos outra questão ao longo do tempo: “Exploramos e adotamos novas tecnologias, como a IA.” Observámos uma melhoria de 24 pontos percentuais, chegando aos 84%. Existe, portanto, um forte impulso e uma forte convicção na utilização da IA. O passo seguinte é descobrir como integrá-la na utilização diária.

Foi aí que tivemos aquela conversa em Orlando sobre não a utilizar apenas como uma calculadora melhor, mas como algo bastante diferente.

David Rice: Existe imenso ruído neste momento. Toda a gente está sobrecarregada pela escolha de como utilizar a ferramenta. E muitas vezes acaba desiludida com os resultados porque não sabe qual é a melhor informação para lhe fornecer.

Creio que a maioria das pessoas precisa de uma coisa para começar, algo que faça sentido, e depois de continuar a partir daí. Parece-me que o enquadramento que criaram deu às pessoas autorização para deixarem de esperar pelo caso de utilização perfeito. Foi interessante terem conseguido desbloquear esse impulso dessa forma.

Justin Angsuwat: Tens toda a razão. O que vemos na internet é que muitas pessoas estão a fazer coisas realmente impressionantes, e isso pode ser intimidante. “Eu não estou a utilizar a IA para fazer isso. Ainda estou a aprender a dar instruções.” Existe muito ruído, mas isso também significa que há muita coisa boa disponível.

Pode ser intimidante para quem quer começar e pensa: “Nem sequer estou perto de conseguir fazer aquilo” ou “Aquilo foi criativo. Como é que pensaram em utilizar a IA dessa forma?” Eu nem sequer sei fazer engenharia de pedidos. Por isso, tentámos eliminar parte do ruído e dizer: “Prestem atenção a este programa de seis semanas e vamos levar-vos até um ponto de confiança”, mesmo que não consigamos indicar exatamente aquilo em que deveriam estar a utilizar a IA neste momento.

David Rice: Mencionaste a calculadora: deixar de a utilizar apenas como uma calculadora melhor. Gosto dessa analogia. O que acontece realmente, ou o que muda, quando as pessoas fazem essa mudança mental? Qual foi a tua experiência quando tiveste esse momento?

Justin Angsuwat: Há muitos enquadramentos e curvas de maturidade sobre a forma como as pessoas encaram isto, e sei que falámos sobre isso.

Vou simplificar a minha perspetiva. Nas organizações em que vejo a IA a transformar as pessoas e o trabalho realizado, identifico dois níveis de mudança. O primeiro é fazer algo de forma mais rápida ou melhor. O segundo é desbloquear algo novo.

Sei que fui eu que inventei isto, porque não é apelativo nem tem aliteração. Falámos da calculadora, mas penso na conversa sobre reinventar a calculadora. Quando as folhas de cálculo surgiram, eram essencialmente uma calculadora melhor.

Isso corresponde à primeira fase: fazer algo de forma mais rápida ou melhor, melhorando o que já conhecíamos. Naquela época, os contabilistas utilizavam livros-razão em papel. Se quisessem alterar um número num orçamento, tinham de apagar manualmente e recalcular todas as variáveis dependentes. Isso demorava horas.

Com uma folha de cálculo, podiam fechar as contas em cinco ou dez minutos em vez de cinco horas. Obtiveram eficiência: fazer algo de forma mais rápida ou melhor. É isso que vejo muitas pessoas a obterem agora da IA: automatizar algo que fazem repetidamente.

Mas penso que o momento de descoberta surge quando se desbloqueia aquilo que acontece depois. Quando os cálculos passaram a ser instantâneos, os contabilistas deixaram de ser apenas pessoas que trabalhavam com números. Podiam executar cenários.

Em vez de apenas reajustarem rapidamente todos os números de uma folha de cálculo, passaram a poder modelar respostas a perguntas. Por exemplo: “Se reduzirmos os preços em 10%, mas aumentarmos o volume em 20%, o que acontece às nossas margens brutas?”

Deixaram de ser meros guarda-livros, uma função muito orientada para o passado, e passaram a ser planeadores de cenários, modeladores estratégicos ou profissionais de finanças estratégicas orientados para o futuro. Acabaram por resolver um problema que nem sabiam ter. É isso que muda quando as pessoas fazem essa mudança mental.

A primeira fase consiste em perguntar: “Como posso fazer algumas das coisas que faço atualmente de forma mais rápida ou melhor?” A segunda é: “O que é que isto desbloqueia que nunca antes consegui imaginar?” É difícil descrevê-lo até se passar por esse processo.

David Rice: É interessante, porque creio que é uma das razões para existir tanta hesitação nas funções de pessoas. Quando se tem o momento de descoberta, pensa-se: “Posso fazer todas estas coisas.” E imediatamente surge um pequeno pesadelo sobre a equipa jurídica entrar em contacto.

Pergunto-me o que ajudará algumas pessoas a ultrapassar esse momento. Houve algo que, quando começaste a experimentar, te tenha feito pensar: “Não tenho a certeza disto”?

Justin Angsuwat: Levantas uma questão muito pertinente sobre a área jurídica. Temos de ter algum cuidado com a IA. É mais fácil verificar uma folha de cálculo do que confiar na IA para obter uma resposta específica.

Falámos sobre o conceito de teatro impressionante, ou ilusão versus impacto. Isso fez-me pensar na dependência excessiva da IA para algumas respostas e na possibilidade de a área jurídica aparecer à nossa porta.

Um bom exemplo desse teatro impressionante é a diferença entre tarefas probabilísticas e determinísticas. Para quem não conhece o conceito, vou resumi-lo de forma simples. As tarefas determinísticas têm normalmente uma resposta correta, como um cálculo matemático ou determinar o que é legal e ilegal, embora também possam existir zonas cinzentas. As tarefas probabilísticas têm muitas respostas boas.

Por exemplo, redigir um e-mail ou resumir uma reunião pode ser feito de muitas formas diferentes. Utilizar a IA exclusivamente para tarefas determinísticas pode ser útil, como perguntar quais foram as receitas do quarto trimestre. Mas, de certa forma, estamos a utilizar um motor probabilístico para resolver um problema determinístico.

Isso pode ser mais lento, conter alucinações e ser menos preciso do que uma consulta SQL, uma folha de cálculo ou simplesmente procurar a informação. Pode parecer interessante, mas não utiliza a IA na sua plena capacidade e pode introduzir erros.

É aí que surgem algumas conversas sobre a utilização da IA para tarefas probabilísticas mais complexas. Por exemplo: “Leia 500 comentários de colaboradores e diga-me quais são as três principais frustrações emocionais que estão a sentir.” Uma folha de cálculo ou uma fórmula não consegue calcular uma frustração emocional.

Para maximizar o impacto, concentrar-me-ia mais na utilização da IA para interpretar tarefas probabilísticas do que em tarefas determinísticas. Por vezes utilizamos demasiado a IA para tarefas determinísticas e perguntamos qual é a decisão que devemos tomar quando existe apenas uma ou duas respostas corretas. Isso pode criar problemas, por isso sou cauteloso e gosto de verificar duas ou três vezes as respostas antes de aceitar o que a ferramenta diz.

David Rice: É um bom conselho. Não consigo sublinhá-lo o suficiente.

Fazer crescer uma equipa global não deveria significar gerir cinco sistemas diferentes para recursos humanos, processamento salarial e informática. A Deel reúne tudo num só lugar para que possa contratar, integrar, pagar e equipar pessoas em qualquer parte do mundo sem o caos habitual.

Quer esteja a contratar colaboradores em dez países ou a gerir prestadores de serviços em diferentes fusos horários, a Deel trata da conformidade, dos benefícios e do processamento salarial num único lugar. Isso significa menos ferramentas dispersas, menos preocupações e mais tempo para se concentrar nas suas pessoas. Quer ver como é realmente contratar sem fronteiras?

Visite deel.com/pmp. É deel.com/pmp para marcar uma demonstração. Mais uma vez, deel.com/pmp. Deel. Contrate, gira e pague a qualquer pessoa, em qualquer lugar.

Construíram agora um treinador de IA. Falem-nos um pouco dos vossos objetivos com essa solução.

Justin Angsuwat: O objetivo era ter um treinador de IA sempre disponível, ou um cientista de pessoas no bolso.

Tivemos algumas conversas com pessoas em Orlando, onde estás, e algumas diziam: “Não preciso de um treinador. Todos os treinadores são muito caros.” Eu diria que um treinador é mais parecido com ter um cientista de pessoas no bolso, a quem se pode fazer perguntas como: “Como devo conduzir esta conversa difícil de feedback?”

Por exemplo, o David tem de me dar um feedback muito difícil e está nervoso porque receia que eu não o receba bem. “Ajuda-me a preparar essa conversa.” De certa forma, isto permite aos nossos parceiros de negócio de RH, à equipa de RH ou à equipa de pessoas aconselhar os gestores a pedido em toda a organização.

Mas a solução tem consciência do contexto. E penso que essa é a grande diferença. O contexto faz toda a diferença. Se perguntarmos a um modelo de IA genérico como responder a uma situação, ele vai fornecer a média da internet. O conselho será provavelmente tecnicamente correto, mas não será necessariamente útil para a situação específica.

É como ler um horóscopo: é suficientemente vago para se aplicar a toda a gente e, por isso, não ajuda verdadeiramente ninguém de forma específica. Penso nas camadas de contexto que tornam um treinador de IA realmente útil. Existem três camadas.

Começamos pela camada fundamental: como é treinado o treinador? Imaginemos que fazes um pedido ao treinador e colocas uma pergunta, sem fornecer mais contexto. Não treinámos o nosso treinador com base na média da internet, em discussões do Reddit ou em blogues aleatórios.

Treinámo-lo com ciência das pessoas. Temos atualmente cerca de mil e quinhentos milhões de pontos de dados sobre pessoas, cultura e desempenho, recolhidos ao longo de uma década em milhares de locais de trabalho. Temos equipas de cientistas de pessoas e doutorados que criam os pedidos e concebem o treinador.

A camada fundamental baseia-se em ciência sólida de coaching e em dados organizacionais. Depois acrescentamos o contexto organizacional. O treinador conhece o contexto da empresa e pode receber rapidamente a visão, a estratégia, os objetivos anuais, os valores, os comportamentos associados aos valores e os modelos de feedback utilizados.

Algumas organizações utilizam a franqueza radical, outras utilizam o modelo SBI, entre outras opções. De repente, o treinador conhece a empresa. Depois acrescentamos a camada de desempenho: dados de envolvimento, dados de desempenho, reuniões individuais, feedback contínuo e tudo o que for relevante. Começa a conhecer a equipa e a conhecer o utilizador.

Quando juntamos essas camadas de contexto, não recebemos conselhos genéricos como “deveria ouvir mais”. Recebemos conselhos específicos: “Com base nos baixos níveis de envolvimento da sua equipa, no novo objetivo da empresa de adotar a franqueza radical e no facto de estarem a expandir-se para um novo país, deixe-me fazer-lhe algumas perguntas para compreender a situação. Depois, vamos utilizar este guião específico desenvolvido pela ciência das pessoas e fazer uma simulação.”

Essas três camadas de contexto tornam-se muito importantes. É isso que diferencia um treinador de IA da utilização de um modelo de linguagem de grande escala ou de uma ferramenta de IA generativa para obter conselhos.

David Rice: Todos já tivemos a experiência de utilizar uma ferramenta que funciona tecnicamente, mas que não sabe nada sobre nós. Parece apenas uma coisa com a qual estamos a falar sem saber porquê.

Justin Angsuwat: Deves ver isso muitas vezes, já que trabalhas com muitos líderes de RH e constróis muitas coisas. Também observas isso?

David Rice: Sim. Construí alguns desses sistemas e pensei: “Sobre o que é que esta coisa está a falar?” Acabamos por desistir e dizer: “Isto não está a ajudar.”

Quando falas em acrescentar contexto, como a dinâmica da equipa, o historial da organização e os pontos fortes individuais, isso altera completamente o modelo de partida. Quais são os sinais mais poderosos que fazem com que os conselhos da IA pareçam realmente relevantes?

Justin Angsuwat: Há algumas coisas. Primeiro, a solução é construída com base na ciência das pessoas e conhece o contexto organizacional. Isso significa que, enquanto gestor a interagir com um treinador de IA, não tens de explicar o contexto todas as vezes.

Depois de algum tempo, podes pensar: “Tenho de fornecer todo este contexto ao treinador sempre que o utilizo: fala neste tom, considera isto, lembra-te desta pessoa com quem falei.” Seria fantástico se o treinador dissesse: “Já teve esta conversa várias vezes com esta pessoa. O que é que não está a resultar? Vamos analisar novamente a situação.”

Uma coisa poderosa é o contexto já estar presente. A outra é que o treinador continua a aprender. Analisa a diferença entre o que é útil e o que não é útil, e isso permite treiná-lo continuamente para se tornar ainda mais poderoso. Essa nuance nem sempre é evidente: o treinador melhora com o feedback negativo que recebe.

David Rice: Ouvi recentemente alguém dizer que queria que a empresa funcionasse como uma empresa de IA e não apenas como uma empresa de software como serviço. Quando ouves isso, o que significa numa terça-feira normal no escritório?

Justin Angsuwat: Sei que funcionar como uma empresa de IA não significa comprar muitas licenças do Copilot.

Tem menos que ver com o software que se compra e mais com a forma como se constrói e trabalha. Isso manifesta-se de várias formas, mas vou escolher uma relacionada com o treinador de IA. Penso que existe uma grande mudança da passagem do feedback explícito para o feedback implícito.

No mundo do software como serviço, dependemos normalmente de os utilizadores nos dizerem explicitamente determinadas coisas. Vemos perguntas como “Avalie esta funcionalidade de uma a cinco estrelas” ou “Este artigo foi útil? Sim ou não?”. O problema é que as pessoas raramente clicam nesses botões, a menos que estejam muito satisfeitas ou muito insatisfeitas.

Fica assim uma grande quantidade de dados por utilizar. Procuramos feedback explícito: “Diga-me se isto é bom ou não.” Operar com uma mentalidade de IA significa estar obcecado pelo feedback implícito.

Imaginemos que alguém está a editar um rascunho e elimina algum texto. Quando a IA cria um e-mail ou um resumo de reunião, o utilizador pode apagar uma frase. Se utilizarmos feedback explícito, isso pode parecer uma falha: “Fizemos isto mal, a pessoa não gostou.” Na melhor das hipóteses, parece apenas uma edição.

Mas funcionar como uma empresa de IA significa reconhecer o feedback implícito. Existe um sinal: o utilizador está a dizer ao modelo que a sua previsão para aquele contexto estava errada. A diferença entre o que a IA escreveu inicialmente e aquilo com que a pessoa ficou satisfeita é um dado de treino extremamente valioso.

Por isso, para uma empresa de IA, saber o que está errado é mais útil do que saber o que está certo. Simplificando demasiado, as empresas de software como serviço querem a nossa atenção. Querem que estejamos na plataforma e dependem do feedback explícito. As empresas de IA não querem a nossa atenção. Querem a nossa delegação.

Querem ser tão boas que simplesmente aprovemos o resultado. Utilizam esse espaço negativo para compreender o que falta ou o que precisa de ser novamente treinado. E valorizam encontrar esses sinais, porque, com o tempo, a IA passa a conhecer-nos muito melhor.

David Rice: Isso é fascinante. Fiz essa pergunta porque considero essa uma ambição interessante, mas muitas pessoas ficam presas na parte em que têm de a transformar em comportamentos operacionais. Ferramentas como o Coach podem ajudar nisso.

Quando penso na diferença entre os dois tipos de empresas, parece-me que existe mais experimentação do lado da IA, mais decisões em tempo real, menos aperfeiçoamento e mais velocidade. Posso estar enganado, mas, quando retiramos o entusiasmo exagerado, o que muda realmente para as equipas quando começam a viver essa ideia?

Justin Angsuwat: A questão do feedback implícito e explícito era apenas uma parte. Também muda a forma como desenvolvemos funcionalidades. Passamos do modelo tradicional em cascata para um modelo que se pode mover muito mais rapidamente.

Para alguns dos nossos engenheiros de software e gestores de produto, o momento de descoberta surgiu quando começaram a construir e pensaram: “Criei numa semana algo que poderia ter demorado meses. Vamos continuar.” Até o primeiro protótipo passou a ser muito mais rápido.

Criar rapidamente um protótipo funcional e colocá-lo nas mãos de alguns testadores e utilizadores permite perceber como funciona, em vez de seguir o processo tradicional de definir o projeto, estabelecer prazos e executar todas essas etapas. Essa foi uma grande mudança na forma como desenvolvemos software.

David Rice: Creio que sim. Disseste-me algo que me marcou: o facto de um fluxo de trabalho ser tecnicamente sofisticado não significa que seja necessário.

É fácil ficar preso à ideia de que existe muita IA a acontecer, tudo parece elegante e interessante, mas será que resolve realmente um problema que precisa de ser resolvido? Há coisas no local de trabalho que podem continuar a ser um pouco complicadas. Chama-se trabalhar. É suposto termos de fazer algum trabalho.

É importante pensar onde é que a IA acrescenta genuinamente valor e onde é apenas teatro impressionante.

Justin Angsuwat: Isso liga-se à nossa conversa anterior. Depende de cada organização aquilo que é teatro impressionante e aquilo que não é.

Uma coisa fácil de fazer é pegar em tarefas determinísticas, com uma resposta correta, e utilizar a IA para as pesquisar. Pode ser útil, mas não estamos a utilizar a IA na sua plena capacidade. É basicamente uma folha de cálculo mais rápida, e sabemos que a IA nem sempre é particularmente boa com folhas de cálculo.

O teatro impressionante surge quando se acrescenta cada vez mais IA a tarefas relativamente pouco dolorosas e pouco críticas para o negócio. Parece interessante, é possível escrever numa caixa de conversa e receber uma resposta. Muitos desses casos serão extremamente úteis, mas existe um ponto de retorno decrescente.

Em vez de acrescentar mais interfaces de IA a outras interfaces de IA, deveríamos abordar aquilo que pode ser desbloqueado através de tarefas probabilísticas, para as quais anteriormente nunca utilizámos muita tecnologia.

Penso, por exemplo, numa conversa com pessoas de comunicação interna. Uma versão seria utilizar uma ferramenta de IA para escrever guiões de apresentações. O mais interessante é utilizar a IA para tarefas probabilísticas: recolher todas as reuniões gerais que o diretor executivo realizou na empresa, analisá-las e dar-lhe conselhos como se fosse um especialista em comunicação interna.

Lembro-me de uma vez em que o Claude disse a um diretor executivo: “Quando transmite boas notícias, começa pelas boas notícias; quando transmite más notícias, começa primeiro pelos valores da empresa.” O líder ficou surpreendido: “Não fazia ideia de que fazia isso.” Todos observavam aquele líder. Se começasse pelos valores, as pessoas pensariam imediatamente: “Vêm aí más notícias.”

Essas são coisas que antes eram inimagináveis. Seria necessário um profissional de comunicação que se lembrasse de todas as apresentações, mas esta nuance nunca teria sido identificada. O teatro impressionante seria continuar a melhorar o motor que escreve discursos ou procurar excertos nos meus discursos, tarefas essencialmente determinísticas.

O impacto real está em perguntar: “Diga-me algo que eu não sabia. Analise milhares de horas de apresentações e faça um resumo do que faço bem e do que faço mal.” É aí que está o poder da IA.

David Rice: É fácil confundir complexidade com eficácia. Creio que esse será um dos grandes desafios de liderança no futuro: manter as pessoas concentradas no valor quando a tentação de mostrar aquilo que a IA consegue fazer for tão forte. E não parece que isso vá desaparecer em 2026. É difícil.

Justin Angsuwat: É uma questão de resolver primeiro o problema empresarial. Qual é o problema? E depois: como construo uma ferramenta para o resolver? A dificuldade com a IA é que ela consegue resolver problemas cuja existência nunca conhecemos.

É difícil desejar que a ferramenta resolvesse um problema específico, porque podemos nem saber que esse problema existe até começarmos a fazer pedidos. Lembro-me de um diretor executivo que disse à sua equipa de liderança, numa fase muito inicial da IA: “Se ainda não fizeram cem pedidos numa ferramenta de IA, a vossa opinião sobre IA não tem grande peso para mim neste momento, porque simplesmente ainda não sabem.”

É importante que as pessoas desenvolvam confiança. Só conhecerão os problemas que podem resolver quando começarem a experimentar e pensarem: “A IA consegue desbloquear isto? Nunca imaginei que conseguisse resolver este problema, ou que este problema sequer existisse.” Essa será uma parte muito importante do percurso.

David Rice: Estão a mapear a maturidade da IA não apenas para os clientes, mas também para a vossa própria organização. O que é que te está a surpreender nesse processo? Muitas empresas estão a tentar avaliar esta questão e não sei como está a correr para muitas delas.

Justin Angsuwat: Ainda estamos numa fase bastante inicial. Estamos a trabalhar arduamente, mas parece que o progresso acontece aos saltos. Sempre que volto a analisar o tema, existe algo novo, um novo artigo publicado ou algo semelhante.

Uma coisa que vejo em muitas organizações é a suposição de que as pessoas mais experientes ou de alto desempenho serão as primeiras a adotar e dominar a IA. Isso nem sempre acontece, porque desaprender a forma como sempre fizemos as coisas pode ser bastante difícil, por vezes mais difícil do que aprender.

Se este é o teu primeiro emprego, provavelmente não te preocupa muito a forma como o trabalho é feito. Nunca o fizeste de outra maneira. Queres apenas encontrar o caminho mais curto entre A e B. Mas, se fazes a mesma coisa há 20 anos, parte da tua identidade está ligada à forma como chegas à resposta.

Passaste grande parte da tua vida a aperfeiçoar esse fluxo de trabalho, e a IA pode torná-lo obsoleto muito rapidamente. É uma época interessante, porque vemos colaboradores mais jovens ou recém-chegados ao mercado de trabalho a trabalhar de forma mais avançada com IA do que colaboradores experientes.

Os colaboradores experientes são responsáveis por trazer a IA para a organização, mas também trazem competências diferentes. No caso da engenharia, por exemplo, a escala e a arquitetura tornam-se mais importantes para um engenheiro sénior do que a programação.

Ainda não resolvemos completamente essa mudança cultural. Estamos no meio desse processo confuso. A questão é perceber como juntar colaboradores novos, que estão no início da carreira e são muito nativos em IA, com pessoas mais experientes ou de alto desempenho, que têm boas razões para trabalhar de determinada forma, mas precisam de se adaptar àquilo que a IA pode oferecer.

David Rice: É um desafio. Gosto do facto de estarem a vivê-lo. É uma experiência humilde; também passamos por isso. Pensamos que estamos à frente da curva e depois percebemos que nem sabemos qual é a curva.

Justin Angsuwat: Eu saí da curva, mas sou a única pessoa nesta curva. O que aconteceu? Onde está o resto da curva?

David Rice: Gosto de ouvir histórias de outras pessoas que estão a passar por isto e a vivê-lo. Obrigado por partilhares tudo isto hoje. Foi muito útil.

Justin Angsuwat: Obrigado, David. Obrigado pelo convite.

Gostei muito da nossa última conversa e gostei igualmente desta. Estamos a vivê-lo na nossa própria organização e a tentar resolver tudo um dia de cada vez. Não temos um plano de um ano para descobrir como resolver isto. Estamos simplesmente a trabalhar no assunto e teremos sempre todo o gosto em partilhar aquilo que aprendermos.

O bom, o mau e o péssimo.

David Rice: Sem dúvida. É importante tentar ser adaptável todos os dias. Mais uma vez, obrigado por participares. Foi ótimo ter-te connosco.

Justin Angsuwat: Obrigado novamente, David. Até à próxima.

David Rice: Muito bem, ouvintes, até à próxima. Se ainda não o fizeram, subscrevam a nossa newsletter em peoplemanagingpeople.com/subscribe. Consultem também o nosso AI Transformation Explorer.

Até à próxima, continuem a vivê-lo. Havemos todos de descobrir a resposta, eventualmente.