Estar Preparado para a IA é uma Expressão, Não uma Estratégia

Todas as principais agendas de conferências desta primavera incluíam alguma variação do mesmo título de sessão: o que é realmente necessário para criar uma força de trabalho preparada para a IA.

A expressão estava por todo o lado. Um sinal claro de que o setor já ultrapassou a questão de saber se a IA altera o trabalho e chegou à questão mais difícil de como preparar as pessoas para o que vem a seguir.

A verdadeira questão revelou-se mais difícil de responder do que o esperado.

Nas sessões do Transform, em Las Vegas, e da HumanX, em São Francisco, nesta primavera, os oradores apresentaram perspetivas ponderadas, embora algo gerais, sobre o que significa a preparação da força de trabalho num ambiente acelerado pela IA.

Andrew Ng, fundador da DeepLearning.AI, defendeu de forma provocadora que todos, independentemente da função, deveriam aprender a programar.

O CEO da Coursera, Greg Hart, apontou para a procura crescente de cursos de pensamento crítico, que aumentou quase 200% face ao ano anterior na plataforma, como prova de que as organizações estão a começar a compreender que, por si só, a fluência técnica não é a resposta.

Robin Daniels, da Sensai, defendeu que a competência fundamental em IA é a clareza. Por outras palavras, se não consegue definir algo com clareza suficiente para que uma pessoa o faça, certamente não consegue defini-lo com clareza suficiente para um agente.

Sarah Franklin, CEO da Lattice, contestou a tendência de medir a preparação para a IA através de métricas de utilização, defendendo que o que importa é saber se as pessoas estão a alcançar melhores resultados, e não se estão a gerar mais tokens.

Estas não são observações vazias. Há um pensamento sólido por detrás delas. Mas, analisadas em conjunto, revelam algo que o circuito de conferências ainda não resolveu: "preparada para a IA" continua a ser uma expressão direcional, e não operacional.

Pode assistir a três dias de sessões e sair com uma noção convincente de urgência, mas sem quase nenhuma forma de avaliar a verdadeira situação da sua organização.

Vale a pena analisar esta questão, porque o custo de confundir inspiração com estratégia está já a manifestar-se em organizações reais.

O que a conferência define como preparação

A definição de trabalho de preparação para a IA que surgiu nas várias sessões tem alguns componentes consistentes.

O primeiro são as competências, sobretudo técnicas. O argumento de Ng sobre a programação é a versão mais contundente desta ideia. À medida que a IA torna a criação de software mais acessível, as pessoas que conseguem trabalhar a esse nível terão um desempenho superior ao das que não conseguem, independentemente do seu cargo.

Descreveu como observava profissionais de marketing, recrutadores e especialistas de finanças capazes de programar a distanciarem-se dos colegas que não conseguiam, apresentando esta diferença como algo que se está a acentuar.

Hart reforçou a dimensão técnica através de dados de inscrições. Em 2025, uma pessoa inscreveu-se num curso de IA na Coursera a cada quatro segundos, o dobro do ritmo de 2024.

O segundo componente é a adaptabilidade, definida de forma genérica como a capacidade de acompanhar a mudança.

"A única qualidade humana necessária é a adaptabilidade", afirmou Adit Jain, CEO da Leena AI, cuja empresa cria colegas de IA para funções de G&A e de retaguarda.

Estava a descrever o que observa quando as empresas implementam automação. As pessoas que sobrevivem à transição não são necessariamente as mais seniores ou as tecnicamente mais sofisticadas. São as que estão dispostas a redefinir a sua função em torno da supervisão e melhoria da IA, em vez de defenderem o trabalho que esta substituiu.

O terceiro é algo que resiste a uma designação simples. Franklin chamou-lhe tratar a IA como um colega de equipa, e não como uma ferramenta. Daniels chamou-lhe clareza. Bianca Anghelina, CEO da AILY Labs, descreveu-o como a capacidade de traduzir problemas empresariais em desafios que podem ser resolvidos com IA.

No fundo, o argumento de Ng sobre a programação é realmente que programar é uma forma de aprender a pensar em sistemas, decompondo os problemas em componentes que um processo automatizado consegue tratar.

Subjacente a estes três componentes está um quarto elemento implícito: a vontade de continuar a aprender indefinidamente. Todos os oradores acabaram por chegar a este ponto. A necessidade de aprendizagem ao longo da vida é menos uma definição de preparação do que o reconhecimento de que nenhuma combinação fixa de competências continuará a ser suficiente.

Enquanto descrição da direção que uma organização precisa de seguir, isto é razoável. Como estrutura para avaliar a situação de uma determinada organização, é quase inútil. "Seja adaptável" e "continue a aprender" não são critérios avaliáveis. Não dizem a um CHRO o que medir, o que desenvolver ou qual seria uma pontuação suficiente.

Além disso, aquilo de que se precisa ao iniciar este processo raramente é mencionado, embora o tenhamos abordado no podcast.

Onde a definição falha

O momento mais útil de uma sessão da HumanX sobre requalificação em larga escala não surgiu de um modelo, mas de um número. Jain descreveu o que normalmente acontece quando a sua empresa automatiza um processo empresarial para um grande cliente empresarial: 60% das pessoas que realizavam esse trabalho deixam de ser necessárias.

Dos 40% restantes, aproximadamente 20%, ou cerca de 12% do total, podem ser reintegrados no processo como gestores humanos da IA. Os outros 48% representam um problema de transição que a maioria das organizações ainda não resolveu.

Deu o exemplo real de um cliente do setor da saúde que reencaminhou funcionários das operações de RH, libertados do tratamento rotineiro de pedidos, para criar e gerir agentes que realizam trabalho de conformidade com dados de pacientes em larga escala. Trabalho que genuinamente não tinha sido realizado antes, por ser demasiado intensivo em recursos para ser feito por pessoas.

A reafetação exigia que esses funcionários conseguissem compreender o novo trabalho, adquirir rapidamente novas competências e aceitar uma relação fundamentalmente diferente com a sua função profissional.

É aqui que a definição de preparação apresentada na conferência se depara com o seu problema estrutural. A preparação, tal como é enquadrada na maioria das sessões, é uma característica dos indivíduos: as suas competências técnicas, a sua capacidade de adaptação e a sua vontade de aprender.

Mas o problema dos 48% não é, sobretudo, um problema individual. É um problema de desenho organizacional. A possibilidade de esses funcionários fazerem a transição depende não apenas da sua capacidade pessoal de adaptação, mas também de a sua organização ter identificado para onde poderiam ir, o que essas funções exigem, que investimentos no desenvolvimento os levariam até lá e durante quanto tempo a organização consegue sustentar essa transição antes de a pressão económica a empurrar para soluções mais simples.

O conceito de força de trabalho «preparada para a IA» não aborda nada disto, pelo menos não da forma como o entendemos atualmente. Centra-se no lado das capacidades da equação, deixando o lado da implementação praticamente por analisar.

Daniels fez uma observação incisiva sobre os despedimentos da Oracle no início deste ano.

O enquadramento centrava-se na coragem dos executivos. Mas o que está a ser descrito é também uma falha de capacidade organizacional. É quase certo que a Oracle tinha pessoas adaptáveis e dispostas a aprender. O que aparentemente lhe faltava era um sistema para identificar quem eram essas pessoas, para onde poderiam ir e como desenvolvê-las à velocidade exigida pela transição.

A coragem é importante. Mas a coragem sem um diagnóstico não é uma estratégia.

O problema da medição

O ponto de Franklin sobre medir a preparação para a IA através de métricas de utilização merece mais importância do que aquela que o contexto da conferência lhe concedeu. Estava a descrever algo que as organizações fazem regularmente de forma errada. Acompanham a adoção, os inícios de sessão nas ferramentas, o volume de instruções e a utilização de tokens, e concluem que estão a fazer progressos.

A medição é clara e fácil de comunicar aos níveis superiores. É também fácil de manipular e está apenas vagamente relacionada com aquilo que realmente importa.

Isto é especialmente importante no contexto do desenvolvimento da força de trabalho, porque o impulso para medir a adoção já está a influenciar a forma como algumas organizações estruturam os seus requisitos de formação em IA. Associe a utilização da IA às avaliações de desempenho e obterá utilização da IA. Não obterá necessariamente melhores decisões, trabalho mais rápido ou funcionários mais competentes.

Jain descreveu uma versão deste problema a partir da perspetiva oposta: quando tentou uma abordagem suave à requalificação, pedindo aos funcionários que concluíssem um curso ao seu próprio ritmo durante três meses, apenas dois em trinta o fizeram.

Quando repetiu o mesmo programa com um prazo de 90 dias, um exame formal e um aumento salarial para quem o concluísse, mais de 85% terminaram-no. A conclusão motivacional é interessante. Mas a implicação mais importante diz respeito ao que a organização estava realmente a medir.

A conclusão e a compensação eram monitorizáveis. Se as pessoas aprovadas eram realmente mais capazes de realizar o novo trabalho era uma questão diferente.

O que faria disto uma avaliação real em vez de uma simples formalidade? Essa é a pergunta a que as sessões da conferência não conseguiram responder totalmente.

Testar a definição da conferência perante um padrão mais exigente

As sete capacidades que distinguem de forma consistente as organizações que têm sucesso na transformação com IA daquelas que geram atividade sem resultados são: empatia, presença, pensamento de produto, coragem, paciência estratégica, transparência e pensamento sistémico.

Estas capacidades surgem de forma consistente na investigação. Também são, notavelmente, quase inteiramente relacionadas com o comportamento da liderança, e não com os conjuntos de competências dos trabalhadores.

Aplicar as sessões da conferência a cada uma delas produz um panorama desigual.

Empatia

A defesa de Franklin da IA na gestão do desempenho baseava-se numa perceção genuína sobre a forma como as pessoas vivem a avaliação: remover a dinâmica de julgamento das conversas sobre desempenho, disponibilizando informações baseadas em evidências antes de ocorrer a conversa com uma pessoa, altera aquilo que as pessoas estão dispostas a ouvir.

A sua descrição de os trabalhadores se sentirem "mais confortáveis" quando compreendem que a IA se baseia em dados de confiança, em vez da impressão subjetiva de um gestor, é uma observação real sobre a forma como as pessoas vivem a mudança de maneiras diferentes.

A conclusão da Coursera de que os formandos que interagem com o seu orientador de IA obtêm resultados significativamente melhores do que aqueles que não o fazem aponta na mesma direção. Pessoas diferentes precisam de diferentes formas de apoio, e as organizações que prestam atenção a isso estão a obter melhores resultados.

As sessões não ofereceram um diagnóstico para avaliar a empatia organizacional, mas a compreensão da direção a seguir estava presente.

Pensamento de produto

O modelo de campo de treino de Anghelina é o exemplo mais claro: trabalhadores recebem uma estrutura funcional de agentes e um desafio empresarial concreto, não um currículo abstrato de competências nem uma teoria sobre capacidades de IA.

Otimizar o investimento em marketing em 10%. A escolha de conceção é significativa. Ela está a tratar o desenvolvimento da força de trabalho da mesma forma que uma equipa de produto trata um problema: começar por uma necessidade real do utilizador, construir algo que a resolva e iterar a partir daí.

O exemplo de reafetação no setor da saúde apresentado por Jain segue a mesma lógica. A capacidade libertada nas operações de RH não foi direcionada para uma requalificação genérica; foi direcionada para um problema específico de conformidade que a organização nunca tinha conseguido resolver.

Este é o pensamento de produto na prática. Mas nenhum dos oradores o apresentou nesses termos, o que significa que é provável que os líderes que assistem às sessões absorvam o exemplo sem extrair o princípio.

Coragem

Esta questão surgiu uma vez, de forma clara, e depois a conversa avançou. A crítica de Daniels à Oracle foi incisiva: uma organização com recursos financeiros para requalificar a sua força de trabalho optou por não o fazer, e ele classificou isso como uma falha da determinação executiva. O enquadramento foi eficaz.

O que não resultou daí foi qualquer discussão sobre a forma como as organizações desenvolvem a coragem institucional necessária para absorver custos de curto prazo em prol da capacidade da força de trabalho a longo prazo. A distância entre identificar o problema e desenvolver a capacidade de liderança para o resolver ficou por abordar.

Transparência

Esta questão esteve implícita ao longo de toda a conferência, mas raramente foi analisada diretamente. Os comentários de Franklin sobre a construção da confiança organizacional como pré-requisito para a IA na gestão do desempenho foram os que mais se aproximaram.

Mas nenhuma sessão abordou o aspeto da comunicação honesta quando uma organização está genuinamente incerta sobre quais os cargos que sobrevivem a uma transição para a IA, ou sobre como os líderes podem ser sinceros quanto a essa incerteza sem intensificar o medo que compromete a adoção.

A investigação do Boston Consulting Group e da Columbia Business School documentou a diferença de 51 pontos percentuais entre aquilo que os executivos pensam que os trabalhadores compreendem sobre a estratégia de IA e aquilo que os trabalhadores realmente compreendem, mas esta questão não surgiu. Deveria ter surgido. Essa diferença não é um problema de comunicação. É um problema de transparência e é suficientemente grande para fazer descarrilar implementações que, de outro modo, seriam tecnicamente sólidas.

Presença

Numa era conhecida por pessoas poderosas que carecem de autoconsciência, a presença esteve, adequadamente, quase totalmente ausente. As sessões foram apresentadas a um nível estratégico, e a questão de saber se os líderes compreendem como o trabalho realmente acontece nas suas organizações, estando suficientemente próximos para saber o que uma implementação de IA irá efetivamente mudar para as pessoas que realizam o trabalho, não foi analisada.

Os números de Jain deixam isso implícito: se 60% das pessoas num processo empresarial se tornam desnecessárias após a automatização, alguém no topo teve de ter uma visão clara do que essas pessoas estavam realmente a fazer e de onde poderia existir trabalho equivalente.

Mas a forma como as organizações desenvolvem essa proximidade operacional, especialmente em grandes empresas onde o teto de silício entre as equipas executivas e o trabalho da linha da frente já está documentado, não fez parte da conversa.

Paciência estratégica

O registo dominante da conferência foi a urgência. Avançar agora ou ficar para trás. Os projetos-piloto acabaram, está na altura de implementar. A afirmação de Anghelina sobre uma integração num só dia. O alerta de Jain de que um CEO que não avance suficientemente depressa enfrentará analistas a perguntar por que razão os concorrentes têm margens melhores.

A correção final de Robin Daniels, "a velocidade mais a incerteza é apenas caos, respire fundo", foi a única contrapressão em qualquer uma das sessões, e surgiu nos últimos trinta segundos antes de o tempo terminar.

A investigação sobre o que realmente produz uma adoção sustentada da IA aponta numa direção diferente: 79% dos trabalhadores que receberam mais de cinco horas de formação em IA tornaram-se utilizadores regulares, em comparação com 67% dos que receberam menos. A curva em J é real.

A criação de capacidades que produz resultados duradouros demora mais tempo do que a urgência da conferência reconhece, e o custo organizacional de abandonar iniciativas antes de estas amadurecerem — a S&P Global estima a taxa de abandono em 42% dos projetos de IA antes de chegarem à produção — não é captado pela perspetiva de "avançar depressa ou ficar para trás".

Pensamento sistémico

Nenhuma sessão abordou de forma substancial a forma como a implementação de IA numa função cria efeitos a jusante noutras. Questões como:

• Como a reformulação dos fluxos de trabalho nas operações de RH altera aquilo que o serviço de apoio ao cliente precisa de conseguir fazer
• Como a automatização da aprovação de empréstimos altera a dinâmica da gestão de produto para toda a função de concessão de crédito
• Como a implementação de agentes num departamento traz à superfície questões de governação que afetam todos os departamentos.

O exemplo de Ng sobre a aprovação de empréstimos continha, na verdade, a semente desta ideia, ao descrever como a reformulação dos fluxos de trabalho de cima para baixo desbloqueia novos produtos, em vez de proporcionar apenas eficiência incremental, mas as implicações ao nível dos sistemas para a forma como as organizações precisam de se estruturar para identificar e aproveitar essas oportunidades não foram desenvolvidas.

A conclusão da BCG de que 52% das organizações bem-sucedidas na utilização de IA recorrem agora a equipas multifuncionais compostas por líderes empresariais e tecnológicos, contra 5% um ano antes, sugere que esta é uma das mudanças estruturais mais significativas em curso. As sessões trataram-na como um pressuposto de fundo, e não como um desafio ativo.

Qual é o padrão entre as sete capacidades? Os líderes parecem mais preparados relativamente às capacidades que se assemelham mais ao desenvolvimento de competências individuais (empatia, pensamento de produto) e mais fracos nas capacidades que exigem uma reformulação organizacional (pensamento sistémico, paciência estratégica, presença).

Esse desequilíbrio reflete algo real sobre o ponto em que se encontra atualmente a conversa em torno da IA. O desenvolvimento de competências individuais é exequível. Tem fornecedores, programas curriculares e métricas de conclusão. A reformulação organizacional é mais lenta, politicamente mais complexa e mais difícil de condensar numa sessão de 45 minutos.

Assim, a conversa tende a gravitar em torno daquilo que consegue descrever concretamente, e chamamos ao resultado um modelo de preparação.

O que é realmente necessário para uma preparação acionável

A distinção entre uma preparação aspiracional e uma preparação acionável não diz respeito a pessimismo versus otimismo. Tanto Ng como Hart foram claros ao afirmar que as organizações que estão a fazer isto bem estão a realizar progressos concretos.

Hart descreveu uma grande empresa de serviços profissionais que requalificou 5 000 trabalhadores para funções especializadas em IA e uma empresa tecnológica global onde a utilização da Coursera se correlacionou com uma melhoria de 50% na retenção. Estes são resultados, não apenas intenções.

O que essas organizações partilham, com base nas descrições disponíveis, é que começaram por um problema empresarial específico, e não por um objetivo genérico de preparação. A empresa de serviços profissionais procurava proporcionar melhores resultados aos clientes em projetos com IA. A empresa tecnológica procurava reter trabalhadores que se estavam a tornar mais eficazes. Em ambos os casos, o desenvolvimento de competências estava ancorado em algo suficientemente concreto para ser avaliado.

Anghelina apresentou este ponto de forma mais direta, embora no contexto desses programas intensivos e do objetivo de otimizar o investimento em marketing para gerar mais 10% de vendas. O mecanismo não é abstrato. O resultado é mensurável. Cabe ao trabalhador perceber como aplicar a IA para o alcançar.

É aqui que muitos esforços de requalificação ficam bloqueados. Começam pelas competências, porque as competências são legíveis, ensináveis e monitorizáveis. Os números de inscrições na Coursera são reais. Os dados sobre a conclusão de microcredenciais são reais. Os 91% de formandos que indicam resultados profissionais positivos no prazo de seis meses são reais. Mas as competências desligadas do contexto organizacional tendem a tornar-se genéricas. E uma preparação genérica não é preparação para nada em particular.

Franklin apresentou o mesmo ponto de vista a partir da área de RH quando afirmou que os RH dedicam aproximadamente 60% do seu tempo a documentar o que aconteceu no passado.

A oportunidade não consiste em tornar os RH melhores a documentar. Consiste em libertar capacidade dos RH para trabalharem em problemas que exigem realmente discernimento humano, problemas suficientemente específicos para precisarem de alguém que compreenda a organização, as suas pessoas e as decisões que efetivamente determinam os resultados.

Uma verdadeira estratégia de preparação para a IA começa aí. Não com "de que competências precisam as nossas pessoas", mas com "o que precisa esta organização de ser capaz de fazer daqui a 18 meses que não consegue fazer hoje, e com que contributo precisa de contar por parte de cada função?"

Partir dessa pergunta e trabalhar para trás produz algo avaliável. O Modelo das Sete Capacidades existe precisamente para estruturar esse mapeamento inverso, traduzir um objetivo de capacidade empresarial nas capacidades humanas específicas necessárias para o alcançar e avaliar a distância entre o estado atual e o estado necessário com precisão suficiente para criar um programa de desenvolvimento à sua volta.

A urgência obscurece

Uma dinâmica que o circuito de conferências reforça, provavelmente sem intenção, é a de que a urgência substitui a precisão.

Todas as sessões a que assisti nas últimas 6 semanas, fossem nos grandes salões do Transform, no palco dramaticamente iluminado do HumanX ou nas sessões práticas de conferências mais pequenas e locais, aqui mesmo em Atlanta, onde vivo, fizeram referência ao ritmo da mudança.

Vários oradores observaram que estar três a quatro meses atrasado relativamente às mais recentes ferramentas de programação com IA, na perspetiva de Ng, produz diferenças de desempenho significativas entre engenheiros. A mensagem implícita é que a velocidade de adoção é a principal variável.

É uma variável. Não é a principal.

Daniels afirmou-o com maior clareza, ainda que a conversa envolvente o tenha de algum modo ocultado.

A maior parte daquilo a que atualmente se chama preparação para a IA está a ser conduzida a toda a velocidade. A urgência é real, no sentido em que todos a sentimos e, ao comprometermo-nos com ela, perpetuamo-la.

Mas as organizações que estão a construir uma verdadeira vantagem competitiva através do desenvolvimento da força de trabalho para a IA são aquelas que definiram aquilo que estão a construir com especificidade suficiente para que a velocidade tenha para onde avançar.

O teste é simples, e as sessões das conferências demonstram-no inadvertidamente. Se pegasse na definição de preparação para a IA apresentada em qualquer uma destas sessões e tentasse utilizá-la para criar um programa de desenvolvimento para a sua organização, precisaria imediatamente de responder a um conjunto de perguntas que a definição não aborda.

• Que funções são mais importantes para a nossa estratégia específica de IA?
• Como se manifesta a capacidade em cada nível e como a medimos?
• Qual é a sequência de desenvolvimento que nos leva mais rapidamente do estado atual ao estado necessário?
• Que mudanças organizacionais têm de ocorrer em paralelo com o desenvolvimento das competências individuais para que tudo isto funcione?

Estas não são perguntas aspiracionais. São operacionais. E respondê-las é o que distingue a sua capacidade de criar forças de trabalho preparadas para a IA da sua capacidade de implementar programas de formação em IA.

A expressão tornou-se uma forma abreviada de designar um objetivo com o qual todos concordam. A estratégia é o trabalho que se segue à decisão precisa sobre o significado desse objetivo.