Por que o uso individual de AI não vira capacidade do time
6 perguntas para Edney Souza, professor, palestrante e conselheiro em IA - Sócio da ETD
A adoção de AI dentro das empresas está acontecendo pessoa por pessoa. Cada profissional resolve a própria tarefa, o número de acessos cresce no painel, e o resultado do negócio segue igual ao do trimestre anterior.
O que falta raramente é ferramenta. É o que ninguém desenhou antes de distribuir licença, quem responde quando a saída está errada, o que pode rodar sem aprovação, onde a revisão entra. Enquanto essas decisões não existem, o uso cresce e o processo do time continua o mesmo.
Nesta edição de 6 Perguntas, conversamos com Edney "InterNey" Souza 🧙♂️ , professor, palestrante e conselheiro em AI, dados e inovação, sócio-fundador e diretor de estratégia na ETD, sobre o que separa uso individual de operação com responsabilidade desenhada.
Na sua leitura, o que separa as empresas em que AI virou parte do sistema daquelas em que ela segue como camada de produtividade individual, e onde essa diferença aparece primeiro na operação?
O que eu vejo repetidamente é que a diferença não está na ferramenta escolhida, está em quem assina o resultado no fim do processo.
Uma pesquisa do MIT Sloan Management Review sobre adoção de IA generativa nas empresas mostrou que mais de 80% das empresas estão em algum estágio de piloto ou exploração, e menos de 5% extraem valor mensurável e escalável disso. O motivo não é falta de capacidade do modelo. É que a empresa trata IA como projeto de tecnologia, não como redesenho de processo e de responsabilidade.
O mesmo levantamento achou outro dado que explica o padrão: 90% dos profissionais de conhecimento já usam modelo de linguagem no trabalho, e só 40% das empresas compraram licença corporativa para isso. A adoção está acontecendo pessoa por pessoa, resolvendo a tarefa de quem usa, sem nunca chegar ao processo do time.
A diferença aparece primeiro em dois lugares, sempre juntos. No organograma: quem responde quando a saída da IA está errada, quem aprova, quem escala. No fluxo de trabalho: onde o valor para, onde a decisão espera, onde o ciclo emperra.
Empresa que virou sistema desenhou os dois antes de colocar IA em produção. Empresa que ficou em camada individual distribuiu licença por área, viu o número de acessos crescer e não mudou nenhum resultado de negócio. A IA amplifica o que a organização já é. Se a responsabilidade e o processo já eram difusos antes, ela só deixa isso mais rápido e mais visível.
Na prática, quais critérios definem o que pode ser delegado a um modelo probabilístico e o que exige determinismo e rastreabilidade, quando o erro tem consequência real para o negócio?
O critério que uso é sobre duas perguntas, nessa ordem: dá para desfazer se der errado, e o erro tem impacto em quem não está na sala decidindo.
Modelo de linguagem é probabilístico por natureza: ele calcula a sequência de texto mais provável, não consulta um banco de fatos antes de responder. Isso o torna excelente em tarefas com padrão reconhecível (resumir, comparar contra uma régua definida, formatar, buscar variação num conjunto de dados) e ruim em decisão que depende de contexto que nunca foi escrito em lugar nenhum. Delegar a primeira categoria libera tempo. Delegar a segunda sem estrutura de verificação é apostar.
Na prática, eu separo ação reversível de ação irreversível: ler, rascunhar, listar, comparar podem rodar livres. Enviar, deletar, publicar, modificar registro de cliente exigem confirmação humana explícita, sempre, sem exceção de urgência ou de eficiência. Onde o erro é caro ou difícil de reverter, a exigência de rastreabilidade não é burocracia, é a diferença entre um processo auditável e um processo que ninguém consegue explicar depois que algo deu errado.
Essa decisão, o que o modelo nunca pode fazer sem aprovação, é decisão de liderança, não do time técnico. É uma decisão sobre risco e sobre quem vai responder pelo resultado. Precisa ser tomada antes do primeiro agente entrar em produção, não depois do primeiro incidente.
Como você recomenda estruturar verificação e auditabilidade do output de AI dentro do fluxo, sem transformar cada entrega em revisão manual integral?
O erro mais comum é achar que a saída de uma IA revisada por outra IA resolveu o problema. Só empurrou ele uma etapa adiante. Em algum ponto, alguém com nome e responsabilidade real precisa assinar, e se ninguém assina, o erro só demora mais para aparecer.
O que funciona de verdade tem três camadas.
A primeira é reduzir o problema na origem: em vez de pedir para o modelo lembrar de algo, você fornece a fonte diretamente no comando, o contrato, o trecho da norma, o relatório com os dados. O modelo interpreta o que está na frente dele em vez de reconstruir o que acha que sabe, e isso já elimina boa parte do risco antes de qualquer revisão.
A segunda é tirar o modelo da posição de defender o próprio trabalho. Pedir para ele revisar o que acabou de escrever, na mesma conversa, quase não funciona, porque o viés já está na resposta que ele quer sustentar. Trocar de sessão, ou apresentar o texto como se fosse de outra pessoa, muda o resultado de forma mensurável.
A terceira é onde a maioria das equipes erra: tentar manter revisão linha a linha depois que o volume de saída da IA já passou do que qualquer time consegue conferir com esse rigor. Isso já apareceu documentado em times de engenharia: pesquisa da METR sobre produtividade de desenvolvedores mostrou que equipes que adotaram copiloto de código aumentaram a produção de linhas escritas, mas passaram a gastar bem mais tempo humano revisando pull request com participação de IA do que revisões equivalentes sem IA. O ganho na escrita foi consumido pelo custo de confirmar se fazia sentido.
A revisão precisa migrar para amostragem e para pontos de exceção definidos antes de começar o trabalho, não descobertos depois que a fila já estourou. Definir com antecedência o que será verificado, onde e por quem é o que evita transformar toda entrega em auditoria manual completa.
Como você diferencia o uso de AI que amplia a capacidade de um time do uso que cria dependência, e quais sinais indicam que o raciocínio começou a ser terceirizado para a ferramenta?
O sinal mais confiável é o que sobra de raciocínio próprio depois que a ferramenta ajudou, não quanto a pessoa usa IA.
Existe uma pesquisa da Anthropic com engenheiros juniores que mostra isso com precisão incômoda: quem usou IA para gerar código direto pontuou pior na compreensão do que tinha acabado de fazer, comparado a quem escreveu manualmente. Quem usou IA para tirar dúvida conceitual antes de escrever pontuou melhor.
Tem um estudo de endoscopia publicado na Lancet Gastroenterology & Hepatology que uso muito em treinamento porque tira a discussão do campo abstrato: médicos que passaram a usar IA de apoio no diagnóstico tiveram a taxa de detecção de alterações relevantes caindo depois de seis meses de uso contínuo, de 28,4% para 22,4% nos exames feitos sem IA.
A ferramenta funcionava. A habilidade humana atrofiou por falta de exercício, exatamente como músculo que para de trabalhar.
Os sinais de terceirização que eu procuro numa equipe: a pessoa não consegue defender uma decisão sem reabrir o chat para conferir; ela aceita a mesma resposta com a mesma confiança dentro e fora da própria área de domínio; e ninguém mais pergunta por que a IA sugeriu aquilo, só se a sugestão parece razoável. Ampliação é quando a próxima decisão fica mais rápida porque a pessoa aprendeu algo. Dependência é quando a próxima decisão só sai se a ferramenta estiver ligada.
O que você acredita ser o erro mais comum das empresas ao medir o próprio avanço em AI, e o que esse erro custa na hora de decidir onde investir?
O erro mais caro que vejo é medir atividade e chamar isso de resultado.
Ganhou até nome nos debates corporativos: tokenmaxxing, tratar volume de uso do modelo, tokens consumidos, número de prompts, como indicador de produtividade. Parece rigor porque é um número que sobe num painel.
Existe uma lei antiga da economia que explica exatamente por que isso falha: a Lei de Goodhart, do economista Charles Goodhart, diz que quando uma medida vira meta, ela para de ser uma boa medida. No momento em que a equipe entende que volume de uso é o critério de avaliação, o comportamento se reorganiza para maximizar volume, não resultado. Prompt fica mais longo, revisão vira sessão de dez turnos, e a produtividade real não muda, às vezes piora.
O custo aparece na hora de decidir onde investir. Orçamento e atenção de liderança seguem para o time que aparenta mais adoção, mais acesso, mais uso reportado, em vez de seguir para o time que resolveu um problema real com menos tempo ou entregou algo que não seria possível sem IA. A empresa acaba financiando aparência de maturidade em vez de maturidade.
A métrica que eu recomendo é sempre de resultado, nunca de uso: horas economizadas numa tarefa específica e nomeada, qualidade avaliada por amostragem, capacidade de escalar volume de trabalho sem crescer a equipe na mesma proporção. Se a métrica não responde “o que foi entregue que não existiria sem isso”, ela não mede nada que importe para decisão de investimento.
Que fontes de informação você considera indispensáveis para que lideranças de Produto, Design e Engenharia se mantenham atualizadas sobre AI e seus movimentos no mercado?
Eu desconfio de listas fechadas de fonte, porque o nome de uma ferramenta ou de um relatório específico muda mais rápido do que qualquer coluna consegue acompanhar. O que não muda é o critério de peso editorial que eu aplico antes de deixar qualquer dado entrar numa aula, numa mentoria ou num conselho que assessoro.
Primeiro nível, o que eu confio com menos filtro: pesquisa acadêmica publicada com revisão de pares e estudo de instituto de pesquisa independente que mede capacidade real, não intenção de mercado. São fontes que testam o que o modelo faz, não o que promete fazer.
Segundo nível: relatório de grande consultoria e de órgão internacional ou oficial. Dão o pulso econômico e o tamanho do movimento, mas quase sempre carregam um interesse comercial embutido, então eu leio com a pergunta de quem publica isso ganha o quê se eu acreditar no número.
Terceiro nível, o mais raso e o mais citado por engano: material de fornecedor de ferramentas e conteúdo de rede social sobre IA. Entra só como reforço a uma fonte independente, nunca como prova sozinha.
Para liderança de Produto, Design e Engenharia, a prática que sustento é menos sobre onde ler e mais sobre como ler: cruzar pelo menos duas fontes de nível diferente antes de levar um número para uma decisão, e perguntar sempre se o dado mede o que o modelo faz de verdade ou o que alguém quer que você acredite que ele faz.
Um hábito que mantenho e que resolve boa parte desse trabalho de curadoria: toda semana eu publico no meu Substack os estudos, papers e relatórios que efetivamente usei naquela semana, com o ângulo que tirei de cada um. Não é resumo de notícia, é o material bruto por trás do que eu ensino e escrevo, incluindo o que descartei e por quê. Para quem não tem tempo de rodar esse filtro de três níveis sozinho toda semana, acompanhar esse processo já é um atalho.
 | Uma publicação convidada por
|