A nova régua da maturidade em AI
Estudo mostra por que o uso da tecnologia deixou de ser um indicador confiável da maturidade das equipes
A pergunta “seu time usa AI” já tem resposta em quase toda empresa, e a resposta é sim.
Ela está visível todo dia, no código que sai mais rápido e nas tarefas que antes emperravam e agora andam. Justamente por estar tão visível, ela cria uma confiança que engana.
Ver AI em uso todos os dias parece prova de que o time amadureceu nela. Uma pesquisa recente com lideranças de Produto e Engenharia mostra que uso e maturidade caminham em velocidades diferentes, e que um não garante o outro. É sobre essa diferença que vamos nos aprofundar nesse texto.
A velocidade com que a AI gera trabalho cresceu rápido. A capacidade da operação de absorver esse trabalho não acompanhou no mesmo ritmo.
O que separa passou a ser saber onde esse uso deveria gerar valor e como provar que gera.
Por que “usar AI” deixou de ser um diferencial?
Porque o uso virou ponto de partida, e não exatamente o de chegada.
Apenas 2% das lideranças ouvidas no Leading Tech Report declararam não usar AI de forma estruturada no trabalho de Produto e Engenharia. Uso é quase unânime, e o mesmo padrão aparece lá fora. A McKinsey encontrou 78% das empresas usando AI em pelo menos uma função do negócio, num crescimento consistente ano após ano.
Quando o uso é quase universal, ele deixa de explicar por que alguns times entregam resultado e outros não. A discussão sobre adotar ou não adotar já ficou para trás.
O que a universalidade do uso esconde é a profundidade dele.
Voltando ao estudo central, só 8% das lideranças dizem que a AI já faz parte estrutural da operação. O restante se distribui entre experimentação e integração parcial, ainda no caminho entre começar a usar e operar de fato com a tecnologia.
Uma pergunta da pesquisa deixa isso concreto: Se a AI parasse de funcionar por uma semana, o que aconteceria?
O maior grupo, 43%, respondeu que as pessoas ficariam mais lentas, mas as entregas continuariam. Só 7% disseram que o fluxo pararia ou teria impacto crítico.
Para a maior parte dos times, a AI acelera quem usa, sem ainda estar costurada na forma como o trabalho acontece.
Quando o uso era escasso, ele próprio funcionava como indicador de vantagem. Agora que virou quase universal e ainda raso, o que separa os times passou a ser a maturidade com que operam a tecnologia, e essa é uma medida que o volume de uso não captura.
Uso e maturidade em AI são réguas diferentes
A diferença aparece no que cada grupo consegue provar.
Entre as empresas que sabem onde a AI deve gerar valor, com casos priorizados e métricas associadas, 76% conseguem provar o resultado real. Entre as que não têm essa definição, apenas 9% conseguem o mesmo.
Esse mecanismo já foi destrinchado em detalhe em outro conteúdo, linkado abaixo, então não vou refazer o caminho aqui.
O que interessa aqui é a consequência. É a clareza sobre onde a AI deve gerar valor que se conecta ao resultado, e ela pode faltar mesmo em quem usa AI o tempo todo.
Um time pode usar AI todo dia e ainda estar longe de ser maduro nela.
E a maior parte está no meio do caminho.
57% das empresas vivem numa zona intermediária onde sentem que a AI funciona, mas não têm dado que sustente essa percepção.
São 33% que percebem ganho sem conseguir comprovar e 24% que veem só velocidade individual, sem mudança no resultado final.
É a maior fatia da amostra, e é exatamente onde a confusão entre usar e amadurecer mora.
Como saber em qual régua seu time está?
Separando duas coisas que costumam se misturar, o quanto o time usa AI e o quanto sabe operar com ela.
Na teoria, dá para enxergar a diferença fácil. Na prática, as duas se misturam e embaçam a leitura que a liderança faz de si mesma.
“Meu time usa AI todos os dias” vira sinônimo de “meu time já sabe operar com AI”, essa confusão fica visível nos cruzamentos da pesquisa.
Há empresas que já incorporaram AI ao trabalho diário e ainda não definiram onde ela deveria gerar valor. E há outras em estágios iniciais de uso que já têm prioridades claras, casos definidos e métricas.
É a posição no cruzamento desses dois eixos que explica se a AI vira resultado, a matriz a seguir torna esse esse ponto visível.
São quatro combinações possíveis.
Ainda no início. Uso baixo e maturidade baixa. Uso pontual, sem direção nem processo definido.
Usa muito, sem direção. Uso alto e maturidade baixa. Usa AI todo dia, mas não sabe medir o resultado.
Sabe onde quer chegar. Uso baixo e maturidade alta. Já tem critério e ownership, uso ainda não escalou.
Maturidade real. Uso alto e maturidade alta. Uso avançado com direção clara.
A matriz não é exata, mas ajuda a enxergar em que quadrante seu time está hoje e que o obstáculo muda conforme o cenário.
Para cruzar a matriz com outra leitura pelo lado de fora, montei um comparativo por porte.
Você escolhe o tamanho da sua empresa e vê as três barreiras que mais travam a escala de AI em empresas como a sua, o que ajuda a entender se o seu obstáculo é regra no seu porte ou exceção.
Comparativo por porte: https://hubs.li/Q04rcc2k0
Antes de decidir qual obstáculo atacar primeiro, vale responder uma pergunta mais básica. Em qual das duas réguas seu time está travando agora, na de uso ou na de maturidade?
 | Uma publicação convidada por
|