Existe uma cena que se repete em quase toda empresa que hoje reporta sucesso com inteligência artificial. O painel de uso mostra números excelentes: licenças atribuídas, sessões por semana, percentual de funcionários ativos. E ao lado, o processo continua com as mesmas doze etapas de antes, as mesmas três aprovações e o mesmo prazo de entrega. A ferramenta chegou a todas as mesas. O trabalho nunca se moveu.
A resposta curta: a adoção é fácil de provar e fácil de fingir. Ela se mede sozinha, fica bem num comitê e não exige que ninguém mude de hábito. A adaptação exige redesenhar o trabalho, e por isso quase ninguém a mede. A distância entre as duas é exatamente a distância entre o seu investimento em IA e o seu resultado.
Qual é a diferença entre adotar e adaptar?
Adotar é a ferramenta entrar. Adaptar é o trabalho sair diferente.
A distinção parece semântica até virar orçamento. Adotar se mede com números que o fornecedor já entrega: usuários ativos, consultas por dia, funcionalidades usadas. Adaptar se mede com números que só você pode construir: quantas etapas desapareceram, quanto caiu o tempo de ciclo, que decisões mudaram de dono.
Um funcionário pode abrir a ferramenta, escrever uma instrução, receber uma resposta e depois fazer exatamente o mesmo que fazia antes, só que com um parágrafo mais bem redigido. Isso conta como uso em qualquer painel. Não conta como nada no resultado.
Qual é o tamanho da lacuna na América Latina?
Grande, e ela aumenta a cada degrau.
A região resolveu boa parte do problema de conectividade e quase nada do problema de valor. O Centro para a Convergência da América Latina mediu os três degraus separadamente, e o resultado organiza a conversa melhor do que qualquer discurso sobre transformação digital [3].
Dados
| Degrau | Empresas |
|---|---|
| Têm banda larga veloz | 50% |
| Usam inteligência artificial | 10% |
| Capturam valor significativo | 6% |
A cada dez empresas conectadas, duas usam IA. A cada dez que usam, seis capturam valor. A perda mais cara não está no primeiro degrau, que recebe todo o investimento em infraestrutura, e sim no último, que quase não recebe nenhum.
Quem está de fato se adaptando?
Uma em cada seis pessoas que usa IA. O número aparece duas vezes, medido por caminhos diferentes.
A Microsoft classificou os usuários de IA por três comportamentos observáveis: uso de agentes para trabalho de várias etapas, redesenho rotineiro de fluxos para aproveitar o que o modelo faz bem, e participação em práticas repetíveis que outros possam seguir. Apenas 16% se qualificam [2]. A Deloitte, perguntando pelo lado da organização e não do indivíduo, encontrou que 84% não redesenharam cargos nem fluxos em torno da IA [1]. O complemento é o mesmo 16%.
Dados
| Value | |
|---|---|
| Organizações que redesenharam cargos e fluxos | 16% |
| Usuários de IA que redesenham seu fluxo rotineiramente | 16% |
Duas metodologias diferentes, uma por organização e outra por indivíduo, chegarem ao mesmo número é o sinal mais forte do ano. Não é um problema de setor nem de país: é a forma padrão como a tecnologia entra numa empresa.
Quais três comportamentos separam uma coisa da outra?
Critério, experimentação e pensamento divergente. Os três são humanos e nenhum se compra.
Critério é saber quando confiar na saída do modelo, quando questioná-la e quando descartá-la. É o comportamento mais escasso e o mais caro de não ter: apenas metade dos executivos verifica com regularidade a qualidade do que a IA produz [1]. Sem critério, a velocidade do modelo vira velocidade para propagar um erro.
Experimentação é testar formas novas de criar valor, não acelerar as antigas. A diferença prática: acelerar é pedir ao modelo que escreva mais rápido o mesmo relatório; experimentar é perguntar se aquele relatório ainda precisa existir.
Pensamento divergente é proteger a ideia própria de ser absorvida pelo que o modelo já sabe. Um modelo devolve a média do que existe. Se toda a sua organização parte dessa média, a sua vantagem competitiva converge para a do concorrente, que usa o mesmo modelo.
Por que o manual de gestão da mudança já não funciona?
Porque ele foi desenhado para ondas discretas de mudança, e isso não vem em ondas.
O manual clássico pressupõe um estado inicial, um projeto de transição e um estado final que se estabiliza. A IA não oferece estado final: o modelo que você usa hoje não é o de seis meses atrás. Apenas 27% dos líderes dizem que sua organização gerencia bem a mudança [1], e esse número foi medido contra o manual antigo, não contra esta exigência.
Os dados de condições mostram onde ele quebra.
Dados
| Condição | Respostas |
|---|---|
| Dizem que experimentam formas novas de trabalhar | 78% |
| Relatam mais carga de trabalho pela mudança | 69% |
| Sentem-se reconhecidos por se adaptar | 56% |
| Executivos que verificam a qualidade da IA | 50% |
| Citam falta de tempo como barreira principal | 43% |
Setenta e oito em cada cem dizem que experimentam, cinquenta e seis sentem que isso é reconhecido, e sessenta e nove relatam que a mudança somou carga em vez de tirar [1]. Uma organização que pede adaptação, não a premia e ainda cobra o custo dela em horas está treinando sua gente para simular adoção. E vai conseguir exatamente isso.
O achado mais incômodo da Microsoft também está aqui: 67% do impacto se explica por cultura, apoio da liderança e práticas de gestão de talento, contra 32% atribuível à capacidade individual [2]. Treinar pessoas sem mudar as condições ataca um terço do problema.
Como medir a adaptação e não apenas o uso?
Com métricas de trabalho, não de licenças. Quatro funcionam, e nenhuma vem no painel do fornecedor.
| O que mede | Métrica de adoção (fácil) | Métrica de adaptação (útil) |
|---|---|---|
| Alcance | Usuários ativos por semana | Etapas eliminadas de um processo real |
| Velocidade | Consultas por usuário | Tempo de ciclo ponta a ponta |
| Qualidade | Satisfação com a ferramenta | Percentual de saídas revisadas e corrigidas |
| Permanência | Licenças renovadas | Formas novas de trabalhar que sobrevivem a um trimestre |
A coluna da esquerda é a que se reporta hoje porque chega sozinha. A da direita exige levantar uma linha de base antes de começar, que é justamente a etapa que quase nenhum piloto faz. O MIT documentou isso em 300 implantações: 95% não produziram retorno mensurável, e a causa não foi a qualidade do modelo e sim a lacuna de aprendizado, a incapacidade de integrá-lo aos fluxos, às estruturas e à cultura que já existiam [4].
Cabe uma ressalva sobre esse número: o estudo do MIT se apoia numa amostra pequena e sua metodologia foi questionada, então convém lê-lo como sinal de direção e não como medição precisa. O que estudos maiores confirmam é a conclusão de fundo: organizações que redesenham fluxos e instrumentam uma linha de base veem retorno, e as que apenas distribuem licenças não.
Como aplicamos isso na MasterDragon
Medimos o trabalho antes de tocá-lo, ou não começamos.
Nos nossos projetos isso vira uma sequência concreta. Primeiro levantamos a linha de base do processo que será alterado: quantas etapas tem, quanto demora ponta a ponta, onde espera. Depois definimos qual etapa deveria deixar de existir, não qual será acelerada. Em seguida deixamos o ponto de critério humano explícito no desenho, com nome e responsável, em vez de supor que alguém vai revisar. E no fechamento medimos o mesmo processo de novo com a mesma régua, para que a melhoria seja comparável e não uma impressão.
O resultado que buscamos não é que sua equipe use a ferramenta. É que daqui a seis meses o processo tenha menos etapas do que hoje, e que alguém consiga apontar quais sumiram.
Se você está prestes a investir em IA e quer que o investimento apareça no resultado e não só no painel de uso, fale com nossos engenheiros. Você pode começar por como construímos seu software e ver nosso portfólio de produtos AI-native já lançados. Se o próximo passo é desenhar o sistema para poder trocá-lo por partes, desenvolvemos isso em arquitetura empresarial componível, e se a dúvida é quanta autonomia dar a um agente, em autonomia projetada.
Referências
- Cantrell, S., Domergue, C., Dake, A., Murphy, J., Sundholm, T., e Gustafson, M. (2026, 9 de julho). AI adoption to adaptation: How a new change approach can build the human behaviors needed for AI. Deloitte Insights. https://www.deloitte.com/us/en/insights/topics/talent/ai-adoption-to-ai-adaptation.html
- Microsoft. (2026). Work Trend Index Annual Report 2026: Frontier Firms and the new operating model. Microsoft WorkLab. https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
- Centro para a Convergência da América Latina. (2026, julho). Unlocking the Digital Potential of Latin America and the Caribbean: Market Integration, Investment, Smart Regulation and Artificial Intelligence.
- Project NANDA, Massachusetts Institute of Technology. (2025). The GenAI Divide: State of AI in Business 2025.