Por que sua operação pode ter as pessoas certas e ainda assim travar com AI
O que o estudo da Microsoft revela sobre onde o ganho está sendo absorvido
Dei uma lida no Work Trend Index 2026 da Microsoft, publicado em maio com dados de 20.000 trabalhadores em 10 países e análise de trilhões de sinais reais de uso do Microsoft 365. O que me chamou atenção não foi o dado de adoção, que já era esperado, mas o dado que explica por que adoção alta não está se convertendo em resultado proporcional.
Por que times que sabem usar AI ainda capturam metade do resultado possível
66% dos usuários de AI dizem que a ferramenta permitiu gastar mais tempo em trabalho de alto valor. 58% dizem que estão produzindo trabalho que não conseguiriam ter feito um ano atrás.
A análise de mais de 100.000 conversas reais no Microsoft 365 Copilot confirma: 49% do uso já está na camada de análise, decisão e resolução de problema, não em geração de conteúdo ou automação de tarefa repetitiva.
As pessoas estão usando AI para trabalho real. E ainda assim apenas 19% dos usuários pesquisados estão no ponto onde capacidade individual e prontidão organizacional se reforçam, capturando resultado proporcional ao esforço.
O estudo mapeou os 20.000 respondentes em duas dimensões: o quanto cada pessoa sabe usar AI e o quanto a organização em volta dela está preparada para aproveitar isso.
10% têm as habilidades mas estão em organizações que não acompanharam. São as pessoas mais bem preparadas do estudo para usar AI bem, gerando menos resultado do que poderiam. 50% estão no meio, onde tanto a prática individual quanto as condições organizacionais ainda estão se formando.
O achado que ancora tudo isso: fatores organizacionais respondem por duas vezes o impacto de AI em relação ao esforço individual. Um time inteiro de pessoas que sabem usar AI bem ainda pode capturar metade do resultado possível.
Transformation Paradox: disposição para mudar existe, estrutura para isso não
65% dos usuários de AI dizem ter medo de ficar para trás se não mudarem como trabalham. Mas 45% dizem que parece mais seguro focar nos objetivos atuais do que redesenhar como o trabalho é feito. Apenas 13% dizem ser recompensados por mudar como trabalham com AI, mesmo que os resultados demorem a aparecer.
O estudo chama isso de Transformation Paradox. As pessoas estão prontas para mudar. As métricas, os incentivos e as normas ao redor continuam recompensando o jeito antigo. Quem redesenha o trabalho corre o risco de errar a entrega do trimestre. Quem usa AI para fazer mais rápido o que sempre fez entrega o trimestre e parece produtivo.
O sistema está “ensinando” o time a escolher a segunda opção, e a maioria está escolhendo.
Esse paradoxo se reforça no topo. Apenas 26% dos usuários de AI dizem que sua liderança está claramente alinhada sobre AI. E os líderes pesquisados são consistentemente mais propensos do que seus times a dizer que mudar como se trabalha com AI parece seguro e recompensado. O gap entre o que a liderança acredita estar sinalizando e o que o time está recebendo aparece em praticamente todos os recortes do estudo.
Não é difícil entender por que isso acontece. No começo da adoção, a hipótese natural é que AI por cima do modelo existente vai gerar algo diferente. Passei por isso em alguns projetos. O resultado aparecia (velocidade, volume, menos atrito em tarefas pontuais) mas não era resultado real. Era o mesmo patamar com menos esforço.
O que mudou quando começamos a ver diferença foi o momento em que paramos de adicionar AI e começamos a analisar o fluxo como um todo. Entender onde estava o gap de verdade. A partir daí, conectamos agentes nas ferramentas de trabalho para ter um retrato mais preciso do que estava travando na operação de Produto e Engenharia, não uma percepção, um diagnóstico com dados. Só depois disso o redesenho fez sentido. E só depois do redesenho o resultado deixou de ser disfarçado.
Por que quem lidera o time no dia a dia é a variável mais importante de AI
Para aprofundar o impacto da liderança no resultado de AI, o próprio Work Trend Index referencia uma pesquisa anterior do Microsoft Viva com 1.800 trabalhadores globais, focada especificamente no comportamento de quem lidera times.
Quando quem lidera o time usa AI abertamente no próprio trabalho, o time reporta 17 pontos a mais de valor percebido de AI, 22 pontos a mais de pensamento crítico sobre o uso de AI e 30 pontos a mais de confiança para usar agentes. Quando essa liderança cria espaço para experimentação, o time reporta até 20 pontos a mais de prontidão e é 1,4 vez mais propenso a usar AI de formas mais avançadas.
Os dados do Work Trend Index confirmam o padrão no levantamento com 20.000 pessoas. Os profissionais capturando resultado real trabalham consistentemente nesse tipo de ambiente:
85% dizem que quem lidera seu time usa AI abertamente no próprio trabalho, contra 64% dos demais.
83% dizem que essa liderança define critérios de qualidade para trabalho feito com AI, contra 57%.
84% dizem que ela abre espaço para testar coisas novas, contra 61%. E são 2 vezes mais propensos a dizer que são recompensados por reinventar como trabalham com AI, independente do resultado imediato: 26% contra 11%.
O comportamento de quem lidera o time no dia a dia explica mais diferença em resultado de AI do que qualquer outra variável do estudo. Mais do que a ferramenta escolhida. Mais do que a estratégia de AI da empresa. Mais do que a habilidade individual de cada pessoa do time.
Para operações que já têm base sólida e times com boa adoção de AI, o estudo coloca uma pergunta incômoda: você sabe onde no seu fluxo de trabalho o ganho de AI está sendo absorvido antes de chegar no resultado?
Parte da resposta está em quem lidera cada time no dia a dia, e se esse comportamento está sendo visível, reconhecido e replicado. Mas você só consegue agir sobre isso se tiver clareza sobre onde a operação está travando, quais times estão capturando resultado e quais estão no meio do caminho sem saber exatamente por quê.
Operações que cresceram rápido acumulam esses pontos cegos naturalmente. O que funcionava com 20 pessoas não necessariamente funciona com 80. O contexto que circulava por proximidade passa a precisar de estrutura. E AI, que amplifica o que já existe na operação, amplifica também esses pontos onde a visibilidade está faltando.
 | Uma publicação convidada por
|