Superando as barreiras organizacionais para a adoção da IA

O entusiasmo em torno da IA tem dominado as conversas entre os principais executivos. No entanto, a maioria das organizações ainda enfrenta dificuldades para gerar retornos significativos com suas iniciativas de IA. Para explorar esses desafios com maior profundidade, conduzimos uma pesquisa abrangente, combinando uma pesquisa com mais de 100 executivos de alto escalão com mais de duas dezenas de entrevistas em diversos setores. A pesquisa revelou que 45% dos executivos consideraram o ROI da adoção da IA abaixo das expectativas, enquanto apenas 10% relataram resultados acima das expectativas. Ela também destacou que as barreiras mais significativas são organizacionais, e não técnicas. Com base nessas descobertas, identificamos um conjunto de obstáculos interligados, enraizados em três áreas: pessoas, processos e política. Neste artigo, exploramos esses obstáculos interligados e analisamos como as empresas estão lidando com eles. Cultivando a preparação das pessoas para a IA Ao refletir sobre a preparação dos funcionários para a IA, nossa pesquisa identificou três problemas: incerteza, receio de substituição e o problema da autoimagem. O problema da incerteza: “O que essa IA realmente fará?” A pesquisa global da Slack de 2024 com mais de 17.000 funcionários de escritório descobriu que 61% dos funcionários dedicaram menos de cinco horas para aprender sobre IA e 30% não receberam nenhum treinamento. Na ausência de conhecimento, as opiniões podem se polarizar. Alguns funcionários descartam a IA como mero hype, enquanto outros assumem que ela pode fazer tudo. A incerteza das empresas em relação à IA vai além da capacidade técnica. Uma empresa de auditoria, por exemplo, identificou oportunidades de IA em todo o seu fluxo de trabalho, mas tanto os clientes quanto os auditores resistiram, alegando risco regulatório. No final, a empresa abandonou muitas de suas abordagens baseadas em IA. Para abordar essas preocupações, as empresas precisam incorporar a governança da IA em seu trabalho diário e torná-la intuitiva para todos os funcionários. Uma governança eficaz não apenas protege contra consequências indesejadas, mas também ajuda a desmistificar a IA. Por exemplo, em 2018, o DBS Bank introduziu a estrutura PURE —Purposeful, Unsurprising, Respectful e Explainable (Objetivo, Previsível, Respeitoso e Explicável)— para avaliar cada caso de uso de IA. Em vez de depender de longos documentos de política, os funcionários são orientados por quatro perguntas simples: O uso é objetivo e significativo? Os resultados surpreenderão os clientes? Ela respeita os clientes e seus dados? Os resultados podem ser explicados? Essa abordagem reduz a incerteza e garante o uso responsável. O DBS também criou um Comitê de Uso Responsável de Dados para analisar projetos que não atendem aos requisitos PURE. Com uma estrutura fácil de entender e supervisão humana clara, o banco capacitou funcionários de todos os níveis a inovar com responsabilidade. Em 2023, a IA já havia gerado US$ 274 milhões em valor para o DBS. Receio de substituição: “Manterei meu emprego?” Quando os funcionários suspeitam que estão treinando um sistema que os substituirá, eles cumprem o mínimo necessário. Eles demoram quando solicitados a “rotular dados” ou “ensinar o modelo”. Essa “armadilha de treinamento” retarda a adoção da IA em empresas de serviços, varejo e manufatura. As empresas podem combater isso compartilhando as vantagens — oferecendo royalties de treinamento para o trabalho de dados e rotulagem, bônus de produtividade vinculados a ganhos realizados e garantias de carreira que canalizam os ganhos de eficiência para a requalificação profissional, em vez de demissões. Como muitos desses benefícios se baseiam em promessas futuras que são fáceis de quebrar, as empresas devem fazer promessas confiáveis e fáceis de verificar. Uma empresa de comércio eletrônico, por exemplo, comprometeu-se a aumentar os gastos totais com mão de obra em 1% ao ano para demonstrar seu compromisso com o investimento nos funcionários. Esse número de 1% é fácil de verificar e difícil de manipular, o que ajudou a construir confiança com os trabalhadores. Também concedeu aos trabalhadores assentos formais no comitê diretor de IA e maior influência sobre as decisões de pessoal. Esse poder ampliado dos trabalhadores reforça ainda mais a confiança. Outra forma de resistência é a busca por falhas: exigir padrões muito mais elevados da IA do que dos seres humanos. Em uma seguradora líder, a busca por falhas por parte dos funcionários levou à exigência de níveis irrealisticamente altos de precisão dos sistemas de IA, o que, por sua vez, retardou a implantação e aumentou os custos de investimento. Estudos independentes e auditorias externas comparando os resultados da IA e dos seres humanos ajudaram a restaurar o realismo. Por fim, o medo da substituição diminui quando a IA impulsiona o crescimento em vez da contração. Se a tecnologia expande os negócios, os ganhos de eficiência são vistos como uma oportunidade, não como uma ameaça. O problema da autoimagem: “Parecerei competente?” O receio de perder status pode ser ainda mais forte do que o receio de perder o emprego. Observamos engenheiros que utilizam discretamente ferramentas de IA, mas ocultam isso para evitar parecer menos qualificados. Muitos temem que admitir o uso de IA possa fazê-los parecer preguiçosos, incompetentes ou mesmo desonestos. Preocupações semelhantes com a imagem fazem com que radiologistas ignorem as recomendações da IA para proteger o orgulho profissional. Uma empresa de serviços financeiros reverteu esse estigma ao lançar um programa de “Mestres em IA” que acelera a carreira de funcionários que demonstram habilidades excepcionais em IA, independentemente de sua senioridade. Isso celebra a proficiência em IA como sofisticação e visão de futuro, não como preguiça ou incompetência. Ao divulgar essa mensagem, as organizações podem criar incentivos positivos para que os funcionários adotem a IA. Igualmente importante é projetar o uso da IA para a dignidade profissional. As empresas podem posicionar a IA como uma ferramenta que apresenta fatos sem julgamento, deixando as conclusões finais para os profissionais. Essa estrutura reforça a expertise, em vez de prejudicá-la. Algumas empresas criaram “consoles de segunda opinião” privados, onde os funcionários podem consultar a IA sem medo de constrangimento ou risco à reputação. Processos: Redesenhando fluxos de trabalho A adoção da IA frequentemente enfrenta dificuldades quando as organizações a tratam como uma simples sobreposição aos processos existentes. A verdadeira transformação exige mudanças sistemáticas em três níveis: fluxo de trabalho individual (nós), conexões multifuncionais (bordas) e coordenação em todo o sistema (redes). O nível do nó: transformando a forma como os indivíduos trabalham A equipe jurídica de uma empresa de consultoria inicialmente utilizou a IA como uma ferramenta de verificação ortográfica, executando-a no final das revisões tradicionais. A abordagem produziu benefícios insignificantes, pois a IA era 100% precisa apenas para 40% dos tipos de erros. Ao reestruturar o fluxo de trabalho para que a IA realizasse a primeira verificação — verificando apenas os tipos de erros que ela tratava melhor —, os advogados puderam se concentrar exclusivamente nos restantes. Esse redesenho demonstrou como repensar os fluxos de trabalho libera o valor da IA. Algumas empresas aceleraram a mudança estabelecendo metas “impossíveis” que forçaram as equipes a abandonar velhos hábitos e descobrir novas formas de trabalhar. Uma start-up de Boston, por exemplo, enfrentou resistência ao uso de IA na preparação de documentos. Para superar isso, exigiu que os documentos — que antes eram concluídos em uma semana — fossem finalizados em um único dia. A extrema pressão de tempo não deixou outra opção aos funcionários a não ser integrar a IA desde o início e redesenhar seus processos em torno dela. O nível de vantagem: redesenhando conexões O nível avançado concentra-se em como o aprimoramento do julgamento local e dos dados pode transformar os processos interdepartamentais e os fluxos de tomada de decisão. Em uma empresa japonesa de cosméticos, os consultores de beleza nas lojas costumavam fornecer feedback não confiável e baseado em relatos pessoais. A IA generativa os auxiliou a analisar as conversas com os clientes e os padrões de tráfego, fornecendo insights estruturados. A sede, agora confiante nos dados, criou um ciclo bidirecional: as campanhas podiam ser lançadas mais rapidamente e ajustadas em tempo real com base em informações confiáveis do campo. A fronteira entre as operações locais e o planejamento central tornou-se um circuito responsivo, em vez de um comando unidirecional. O nível da rede: orquestrando o impacto em todo o sistema Para gerar um impacto comercial real com a IA generativa, as empresas devem considerar o nível da rede — como as melhorias em vários nós e bordas interagem dentro do sistema mais amplo. Sem essa perspectiva, a IA pode simplesmente transferir os gargalos de uma parte da rede para outra, limitando os ganhos gerais de desempenho. Esse fenômeno é comum porque muitas organizações concentram seus esforços de IA generativa em algumas áreas de alto impacto — como marketing, atendimento ao cliente ou desenvolvimento de software — enquanto negligenciam a interdependência entre as unidades de negócios. Uma grande montadora de automóveis descobriu isso quando adotou a IA generativa para aumentar a produtividade no desenvolvimento de software automotivo (aprimorando um conjunto de nós), permitindo iterações de projeto, geração de código e testes de recursos mais rápidos. No entanto, a rede geral de produção de veículos apresentou pouca melhoria, pois a fabricação de hardware se tornou o principal gargalo. Os nós de desenvolvimento de software aprimorados agora aguardavam os nós de hardware inalterados, e as bordas que os conectavam não conseguiam lidar com o aumento do ritmo de produção de software. Para enfrentar esses desafios em nível de rede, é necessária uma ação coordenada entre todos os nós e bordas. As organizações devem começar mapeando toda a topologia da rede, compreendendo como funcionam os fluxos de trabalho entre as equipes e identificando possíveis gargalos. A adoção da IA deve ser sincronizada entre os nós interconectados, para que as melhorias de capacidade sejam uniformes em toda a rede. Política: Navegando pelo poder e pela influência A IA determina quem ganha e quem perde dentro das organizações. As políticas resultantes — sobre dados, hierarquia e responsabilidade — muitas vezes se mostram mais complexas do que as questões técnicas. A adoção bem-sucedida da IA geralmente requer a reformulação das estruturas de governança, o ajuste dos mecanismos de incentivo e, em alguns casos, a dependência da liderança sênior para negociar acordos e remover barreiras. Aqui estão três problemas específicos que observamos em nossa pesquisa: Acumulação de recursos As organizações rapidamente percebem que a demanda da IA por dados e conhecimento entra em conflito direto com instintos competitivos profundamente arraigados. Em uma grande empresa chinesa de TI, pesquisadores descobriram que os programadores eram 16% a 18% menos propensos a recomendar o acesso à IA para seus próprios colegas de equipe, efetivamente acumulando conhecimento para preservar sua vantagem pessoal. Em todas as unidades de negócios, as divisões maiores e mais bem-sucedidas, que possuem modelos sofisticados de IA e conjuntos de dados valiosos, muitas vezes veem poucos incentivos para compartilhá-los com unidades menores que poderiam se beneficiar mais. O compartilhamento pode parecer como se estivesse a permitir potenciais concorrentes internos, ao mesmo tempo que dilui suas próprias métricas de desempenho. Na pesquisa realizada pela Deloitte-HKU, os participantes do nível C-suite identificaram “departamentos isolados que impedem a cooperação” como a principal barreira para a adoção da IA. O DBS Bank enfrentou essa resistência criando uma estrutura de incentivos que recompensava as unidades por converterem conjuntos de dados proprietários em ativos reutilizáveis na plataforma central. Uma métrica importante acompanhava a porcentagem de conjuntos de dados específicos de cada unidade que haviam sido transformados em recursos compartilháveis. Essa abordagem elimina silos, motivando unidades grandes e pequenas a contribuírem com dados acessíveis e de alta qualidade. Ruptura da hierarquia disruptiva A IA perturba a hierarquia tradicional construída sobre dois pilares: experiência e número de funcionários. O primeiro enfraquece quando os funcionários juniores, munidos de IA, superam os veteranos experientes. Em uma empresa de software, programadores com apenas dois anos de experiência começaram a produzir códigos mais limpos e em maior quantidade do que colegas com cinco anos de casa. Os juniores sentiram que estavam fazendo mais por menos. Algumas empresas responderam expandindo os modelos de competência para incluir explicitamente o domínio da IA e encurtando as escalas de promoção. Quando os ciclos de avanço diminuem de cinco anos para um ou dois, e o domínio de novas ferramentas é recompensado, os jovens funcionários veem que o aprendizado é compensado imediatamente. O segundo pilar, o poder através do número de funcionários e do controle sobre os recursos, cria uma resistência ainda mais forte. Os gerentes são os guardiões da adoção da IA, mas sua autoridade geralmente depende do tamanho de suas equipes. Quando a eficiência ameaça reduzir essas equipes, seus interesses pessoais podem silenciosamente inviabilizar iniciativas de IA que, de outra forma, seriam valiosas. Em um departamento de tradução, os líderes hesitaram em automatizar porque isso reduziria seu número de funcionários, bônus e prestígio. A OPPO, fabricante de smartphones, abordou essa questão organizando um torneio de IA em que todos os funcionários tinham acesso igualitário às ferramentas e os resultados eram classificados por departamento. De repente, os gerentes tiveram que defender a adoção da IA ou correr o risco de passar vergonha publicamente se suas equipes ficassem para trás. A competição redefiniu o conceito de sucesso: o status não vinha mais da gestão de grandes equipes, mas da capacidade de permitir que elas alcançassem mais com a IA. Atribuição de responsabilidade A IA também gera disrupção no equilíbrio tradicional entre culpa e discrição dentro das organizações. Sua precisão transforma responsabilidades difusas em dados concretos — e isso pode criar novos atritos políticos. Na Dingdong Maicai, uma empresa chinesa de comércio eletrônico de alimentos, os sistemas de IA começaram a rastrear cada reclamação de cliente até o departamento responsável pela falha. Quando um cliente recebia frutas estragadas, os algoritmos podiam identificar se as aquisições tinham sido inadequadas, se o armazenamento havia sido mal feito ou se a entrega havia causado o dano. O que antes era uma incerteza compartilhada tornou-se uma responsabilidade explícita. Com essa mudança, os departamentos que há muito operavam sob ambiguidade agora se viam expostos publicamente. A natureza binária do julgamento algorítmico — atribuir total responsabilidade a um lado — ignorava as áreas cinzentas das operações do mundo real. Isso levou a disputas e reclamações crescentes dos chefes de departamento. A lição é que a responsabilidade perfeita pode prejudicar a harmonia organizacional. A Dingdong acabou mudando seu sistema de atribuição, permitindo que o julgamento final fosse feito por seres humanos. O objetivo não era rejeitar a transparência, mas equilibrá-la com confiança. A adoção eficaz da IA requer saber quando a precisão ajuda no desempenho — e quando ela apenas alimenta a política interna. Acionando várias alavancas para a transformação impulsionada pela IA Uma empresa de serviços profissionais com 2.200 profissionais — principalmente desenvolvedores de software e gerentes de produto — começou a testar iniciativas de GenAI em meados de 2023. Em poucas semanas, a produtividade individual aumentou de 30% a 40%, mas em meados de 2024, o desempenho geral — medido pela produtividade e pelo tempo de entrega — permaneceu estável. Vários fatores explicam essa diferença. Os desenvolvedores não tinham incentivos para aumentar a produção, temendo que ganhos de eficiência pudessem provocar demissões. A proliferação de novas ferramentas de IA criou práticas inconsistentes entre as equipes, gerando disrupção nos padrões estabelecidos e complicando o gerenciamento de projetos. Enquanto isso, os desenvolvedores juniores frequentemente superavam os seniores, mas as atribuições de trabalho e o reconhecimento ainda seguiam as hierarquias tradicionais. Para enfrentar esses desafios, a empresa atuou em três frentes: pessoas, processos e políticas. No que diz respeito às pessoas, redefiniu seu modelo de competências para recompensar explicitamente a proficiência em IA, tornando o conhecimento especializado visível em toda a organização e transformando o domínio da tecnologia em motivo de orgulho. Para combater o receio de substituição, a estrutura de remuneração foi reformulada: os salários-base foram reduzidos para 80%, enquanto incentivos baseados no desempenho de até 40% foram adicionados, vinculando diretamente os ganhos de eficiência às recompensas individuais. A dimensão do processo foi reformulada para incorporar a IA em todo o fluxo de trabalho. Os desenvolvedores tornaram-se administradores de dados e processos, responsáveis por seguir definições de dados padronizadas, práticas de codificação e protocolos de IA, ao mesmo tempo em que participavam de treinamentos para fortalecer a consistência do processo. Uma estrutura unificada de ponta a ponta harmonizou a integração da IA em todas as etapas de desenvolvimento, com SOPs atualizados incorporando etapas aprimoradas por IA para facilitar o treinamento e a conformidade. No nível organizacional, um modelo de governança centralizado com pontos de verificação definidos e administradores de processos de negócios garantiu o alinhamento entre dados, IA e fluxos de trabalho. As barreiras políticas foram enfrentadas de frente. As categorias profissionais passaram de seis para 14, com avaliações semestrais que permitiam promoções ou rebaixamentos rápidos. Esse sistema recompensava os adeptos da IA com maior responsabilidade e influência, realinhando os incentivos que antes favoreciam a estabilidade em detrimento da capacidade. Em meados de 2025, essas mudanças começaram a oferecer compensação. A produtividade aumentou 22%, permitindo uma redução de 10% nos preços, o que impulsionou as vendas em 20%. Os custos com mão de obra cresceram 5%, à medida que a empresa reinvestiu em sua força de trabalho, reforçando seu compromisso com os funcionários. A lucratividade geral melhorou 3%, demonstrando que a transformação impulsionada pela IA se traduziu em valor comercial tangível. Com base nisso, a empresa expandiu-se para mercados que antes eram muito competitivos em termos de preços para entrar. O desenvolvimento apoiado pela IA também reduziu a curva de aprendizagem para novas linguagens de programação, permitindo que a empresa ampliasse suas ofertas. Este caso demonstra que a verdadeira transformação da IA vai além da tecnologia. Ao alinhar incentivos, redesenhar processos e reconfigurar o poder organizacional, a empresa transformou a adoção da IA em valor comercial duradouro. . . . Em última análise, o desafio não é adotar a IA, mas evoluir junto com ela. A verdadeira vantagem está em construir uma organização que possa aproveitar plenamente o poder da IA. As empresas que a veem apenas como uma atualização técnica inevitavelmente ficarão aquém.

Superando as barreiras organizacionais para a adoção da IA

Resumo.

Partner Center