AI-enabled não é AI-native

Comprar licenças de IA para toda a equipa é o passo mais fácil de dar. É também o mais fácil de confundir com transformação. A distância entre os dois decide se uma empresa continua a fazer o mesmo trabalho, um pouco mais depressa, ou se mudou a forma como decide e opera.

Três estádios, não dois

Entre “não usamos IA” e “somos uma empresa AI-native” existe um estádio intermédio onde a maioria das organizações portuguesas está hoje.

Tradicional. O trabalho segue o processo habitual. A IA, quando aparece, surge em experiências isoladas, sem dono nem continuidade.

AI-enabled. Cada pessoa tem acesso a ferramentas de IA e decide, por conta própria, quando as usa. Há ganhos reais ao nível da tarefa — um resumo mais rápido, um rascunho poupado. O processo à volta dessas tarefas continua igual.

AI-native. A capacidade deixou de depender da iniciativa individual. Está desenhada no fluxo de trabalho, tem responsáveis nomeados, é medida e aprende com o uso.

O erro mais comum é tratar o segundo estádio como destino final. Não é — é onde a maior parte das licenças de IA compradas este ano está parada.

O mecanismo do planalto

O AI-enabled não estagna por falta de adoção. Estagna por um mecanismo previsível.

O uso é individual e opcional, o que torna a poupança de tempo incerta e impossível de comparar entre pessoas ou equipas. Quando essa poupança existe, acontece ao nível da tarefa — uma hora livre por semana — e a organização enche esse espaço com mais do mesmo, em vez de o redirecionar para trabalho de maior valor. O processo, os pontos de entrega entre pessoas e a restrição que já limitava a equipa antes da IA continuam exatamente onde estavam.

O conhecimento sobre o que resulta — que instrução funciona, que exemplos produzem um bom resultado, que casos precisam de revisão — fica na cabeça de quem usa a ferramenta e sai da empresa com essa pessoa. E como o uso é informal, ninguém mede nada: sem uma métrica e um ponto de partida registados, a única certeza é que “usamos mais IA do que há seis meses.”

Sinais que um gestor pode verificar esta semana

1. Pergunte a três pessoas da mesma função como usam IA no trabalho. Respostas diferentes entre si, sem nenhuma capaz de explicar a escolha, indicam capacidade presa na cabeça de cada um.
2. Peça horas poupadas no último mês, por processo. Uma impressão em vez de um número com origem registada significa que não há medição — há uma sensação.
3. Pergunte quem decide quando um resultado gerado por IA precisa de revisão humana. “Depende da pessoa” é sinal de que a supervisão nunca foi desenhada.
4. Verifique o que aconteceu ao conhecimento de alguém que saiu da equipa recentemente. Se ninguém sabe responder, esse conhecimento nunca chegou a sair de uma única cabeça.

Duas ou mais respostas neste registo apontam para um AI-enabled bem instalado — e um teto que mais licenças não resolvem.

A travessia

A passagem para AI-native não acontece por acumulação de utilizadores. Acontece quando um conjunto pequeno de decisões deixa de ser opcional: o fluxo de trabalho é redesenhado à volta da capacidade em vez de a capacidade ser encaixada no fluxo antigo; cada etapa onde a IA participa tem um nível de supervisão explícito; existe um número escolhido antes de o sistema entrar em produção, com um ponto de partida e um alvo — não um painel com doze indicadores; cada capacidade tem um responsável nomeado, não uma equipa em abstrato; e o que uma pessoa aprendeu sobre o que funciona é escrito num sistema, em vez de ficar apenas na sua memória.

O que sobrevive à próxima ferramenta

Os modelos e as interfaces mudam a cada trimestre. O que não muda é a disciplina de decidir o que automatizar, como supervisionar e como medir. É esse método — não o conjunto de licenças ativas este mês — que continua a valer depois de a ferramenta atual ser substituída pela seguinte.

Para situar a sua empresa, comece pela definição operacional de empresa AI-native, veja como essas decisões se organizam num modelo operativo e meça o ponto de partida com o diagnóstico de maturidade.

Fontes

• NIST AI Risk Management Framework