Todos os dias, nos deparamos com previsões radicalmente opostas sobre o impacto da inteligência artificial. Alguns acreditam que ela eliminará um grande volume de empregos e transformará profundamente a sociedade. Outros alertam que a tecnologia está superestimada, propensa a alucinações e é muito menos capaz do que as manchetes sugerem. Entre esses dois extremos, existe um cenário confuso para os líderes que tentam entender o que a IA realmente representa para suas organizações.
Para navegar por esse debate, vale a pena dar um passo atrás e separar o hype da realidade. A inteligência artificial não é exatamente uma novidade. Na verdade, muitas formas do que poderíamos chamar de “IA em grande escala” existem há décadas. Robótica, visão computacional, automação e sistemas especialistas são utilizados na manufatura e na engenharia há mais de 40 anos. Essas tecnologias operam no mundo físico (máquinas que se movimentam, agarram, inspecionam e processam materiais reais). Podemos pensar nisso como o “lado do torque” da IA, como costumo chamá-lo: o domínio no qual as máquinas interagem diretamente com o ambiente físico.
O que pegou o mundo de surpresa nos últimos anos foi algo diferente: o rápido surgimento dos grandes modelos de linguagem, ou LLMs. Quando ferramentas como o ChatGPT se tornaram amplamente acessíveis, milhões de pessoas tiveram contato repentino com um novo tipo de inteligência artificial. Em vez de controlar robôs ou equipamentos industriais, esses sistemas passaram a interagir por meio da linguagem, produzindo textos, explicações, resumos e códigos de programação.
Essa distinção é importante. A IA tradicional lidava com ações físicas e sistemas mecânicos. A IA generativa atua em um mundo completamente diferente: o mundo das palavras e dos padrões de linguagem. Compreender essa diferença ajuda a explicar tanto o entusiasmo quanto a confusão em torno da IA moderna.
O problema do hype versus realidade
Parte do desafio é que a maioria das pessoas interage com a IA apenas em seu nível mais básico. Muitos usuários, por exemplo, têm contato com grandes modelos de linguagem somente por meio de interfaces simples de chat. Nesse nível, os resultados podem parecer imprevisíveis. Algumas vezes, as respostas são impressionantes; em outras, são incorretas, incompletas ou estranhamente fora de contexto.
Essa inconsistência ocorre porque os modelos de linguagem não "pensam" de fato. Eles geram respostas prevendo a próxima palavra mais provável, com base em padrões presentes nos dados usados em seu treinamento — principalmente grandes volumes de conteúdos disponíveis na internet. Alguns pesquisadores os descrevem como “papagaios estocásticos”: sistemas que simulam raciocínio, mas que não têm uma compreensão real do mundo.
Apesar dessa limitação, os modelos de linguagem são surpreendentemente capazes. Quando utilizados adequadamente, podem executar muitas tarefas que antes exigiam um esforço humano considerável. O ponto central é aprender a ir além das interações mais básicas.
Na prática, existem vários níveis de utilização da IA. No nível mais elementar (a interface de chatbot), quase qualquer pessoa consegue participar. No entanto, à medida que avançamos na escala de maturidade e capacidade, o número de pessoas capazes de utilizar essas ferramentas de maneira efetiva diminui drasticamente.
O nível seguinte envolve a engenharia de prompts, na qual os usuários elaboram cuidadosamente as instruções para orientar as respostas do modelo. Acima disso, está a interação por meio de APIs, em que desenvolvedores se conectam diretamente aos modelos de IA utilizando ferramentas de programação, como Python. Isso permite integrar a IA a aplicações e automatizar fluxos de trabalho mais complexos. Além desse nível, existem técnicas avançadas, como a geração aumentada por recuperação, conhecida pela sigla RAG, que conecta os modelos a fontes externas de dados e aos sistemas ajustados para a execução de tarefas específicas.
Embora essas abordagens avançadas possam produzir resultados impressionantes, apenas uma parcela muito pequena dos usuários opera nesses níveis atualmente. A maioria permanece no estágio básica de interação. Como consequência, as reais capacidades da IA muitas vezes parecem exageradas ou são mal compreendidas.
Onde a IA se destaca... e onde ela encontra dificuldades
Para entender como os líderes devem abordar a IA, ajuda considerar as diferenças entre a forma como seres humanos e máquinas conduzem seus processos de pensamento. Como apontou Balaji Srinivasan, pesquisador de Stanford, os humanos pensam de ponta a ponta por natureza: diante de um problema, somos capazes de definir a situação, desenvolver hipóteses, executar soluções e refletir sobre os resultados. No pensamento lean, esse ciclo é frequentemente representado pelo PDCA (planejar, executar, verificar e agir). Os modelos de linguagem funcionam de maneira diferente: seu melhor desempenho ocorre nas etapas intermediárias do processo de pensamento. Nas palavras de Srinivasan, eles são “pensadores do meio para o meio”.
No início do ciclo de solução de problemas, a etapa do Planejar, os seres humanos se destacam. Nós enquadramos o problema, reunimos o contexto e decidimos qual direção seguir. A IA enfrenta dificuldades nessa etapa porque não possui uma compreensão concreta do mundo real. Sem uma orientação clara, ela pode facilmente gerar sugestões irrelevantes ou enganosas.
No final do ciclo, a etapa do Agir, os humanos também predominam. Essa fase envolve julgamento, reflexão e capacidade de adaptar estratégias com base na experiência. Mais uma vez, são áreas nas quais a IA apresenta limitações claras.
Porém, nas etapas intermediárias (análise, síntese e raciocínio estruturado), a IA pode ser extremamente poderosa. Uma vez que a tarefa esteja claramente definida, os modelos de linguagem conseguem processar grandes volumes de informação, produzir resumos e sugerir possíveis soluções.
Esse padrão fica ainda mais claro quando analisamos diferentes tipos de solução de problemas, tema que abordei em meu livro Quatro Tipos de Problemas. A IA apresenta seu melhor desempenho em tarefas procedimentais, nas quais tanto o problema quanto a solução já são bem compreendidos. Em termos lean, isso se assemelha à resolução de problemas Tipo 1, que envolve ação e resposta rápidas diante de condições anormais. São tarefas como escrever códigos de rotina, resumir documentos ou solucionar problemas conhecidos.
Para problemas de diagnóstico (Tipo 2), nos quais é necessário investigar a situação, a IA pode ajudar a organizar informações e propor hipóteses. Entretanto, os seres humanos ainda precisam verificar os fatos e determinar a causa-raiz.
No desenho de um estado futuro (Tipo 3), a IA se torna menos confiável. Definir um estado-alvo mobilizador exige observação, imaginação e compreensão do contexto. Essas capacidades continuam sendo essencialmente humanas.
Por fim, no campo da verdadeira inovação (Tipo 4), a IA enfrenta dificuldades ainda maiores. Embora consiga recombinar ideias existentes de maneiras interessantes, raramente produz avanços genuinamente originais sem uma forte orientação humana.
A tecnologia, sozinha, não é suficiente
Para os líderes que consideram a adoção da IA (e, sejamos honestos, quem não está?), a lição mais importante pode vir do próprio pensamento lean:
A tecnologia, sozinha, não gera transformação.
Um framework simples pode sintetizar essa ideia: Impacto = Tecnologia × Comportamento × Gestão.
Se qualquer um desses elementos estiver ausente, o impacto total será reduzido a zero.
As organizações já aprenderam essa lição muitas vezes. Sistemas corporativos, como as plataformas de ERP, prometeram melhorias expressivas, mas frequentemente falharam porque as empresas negligenciaram as mudanças comportamentais e de gestão necessárias para que pudessem funcionar.
A IA corre o mesmo risco. Mesmo os algoritmos mais avançados não conseguem gerar valor se os profissionais não souberem como utilizá-los ou se a organização não possuir um sistema de gestão que oriente sua aplicação. Considere um exemplo conhecido da manufatura lean: o sistema andon. Sensores e ferramentas de monitoramento coletam dados das máquinas e linhas de produção, mas a tecnologia, isoladamente, não produz nenhum resultado se as pessoas não respondem com agilidade quando um problema ocorre. Os operadores precisam acionar o andon, os supervisores precisam investigar o problema e os líderes devem garantir que ele seja solucionado e evitar ocorrências futuras. Sem essas respostas comportamentais e essas rotinas de gestão, a tecnologia perde seu sentido.
Quatro prioridades de liderança para a era da IA
Então, como podemos garantir que a adoção da inteligência artificial gere valor real? Para mim, existem quatro pontos fundamentais a considerar.
Redesenhe os fluxos de trabalho, e não apenas tarefas isoladas. As organizações que obtêm os maiores benefícios com a IA são aquelas que repensam seus fluxos de trabalho por inteiro. Automatizar tarefas isoladas raramente traz ganhos expressivos. Em vez disso, os líderes devem analisar como o trabalho flui do início ao fim e redesenhar o processo com base nas novas capacidades disponíveis.
Não trate a IA como um projeto de TI. A adoção da IA não pode ser delegada inteiramente às equipes técnicas. Ela exige pensamento estratégico sobre onde a tecnologia agrega mais valor e como sua aplicação se conecta aos objetivos da organização. Essa é uma responsabilidade da liderança.
Concentre-se em ampliar a capacidade, e não em substituir. Embora algumas pessoas temam que a IA substitua grandes parcelas da força de trabalho, a abordagem mais promissora é utilizá-la para potencializar a capacidade humana. Quando os profissionais têm acesso a ferramentas que os ajudam a trabalhar com mais rapidez, analisar melhor as informações e solucionar problemas com mais eficácia, as organizações podem crescer, em vez de simplesmente reduzir suas estruturas.
Construa confiança por meio da transparência e da experimentação. Determinações impostas de cima para baixo raramente são bem-sucedidas. Os colaboradores precisam entender como a IA pode beneficiar tanto o seu trabalho quanto os clientes. Começar com aplicações práticas, voltadas à solução de problemas reais, ajuda a construir credibilidade e estimula uma adoção mais ampla.
Um futuro de otimismo cauteloso
A inteligência artificial certamente transformará muitos aspectos do trabalho, mas seu impacto provavelmente ocorrerá de maneira mais gradual e desigual do que as manchetes sugerem.
A IA generativa é poderosa, mas ainda é uma ferramenta que exige uma integração consciente e cuidadosa aos sistemas humanos. Quando os líderes combinam tecnologia aos comportamentos e às boas práticas de gestão, essa tecnologia pode acelerar o aprendizado, melhorar a tomada de decisões e elevar a produtividade.
No fim das contas, a verdadeira transformação não vem da tecnologia em si, mas da maneira como as organizações aprendem a utilizá-la. No caso das organizações lean, isso significa adotar uma experimentação disciplinada, praticar a melhoria contínua (kaizen) e manter o compromisso com o desenvolvimento das capacidades humanas. Nossa capacidade de unir tecnologia, comportamento e gestão determinará se a IA será apenas mais uma onda de hype passageiro ou uma força genuína para o progresso.
Este artigo é baseado em uma apresentação de Art Smalley no Lean Global Connection 2025, sobre os desafios da liderança na era da inteligência artificial.
Essa discussão também estará no centro do Lean AI Summit 2026, evento que reunirá líderes e especialistas para explorar como integrar gestão lean, agilidade e inteligência artificial na geração de valor real.
O encontro será realizado no dia 24 de setembro de 2026, no Cubo Itaú, em São Paulo, com participação presencial e transmissão online global.