Esses dias vi em um treinamento o questionamento dos participantes de: Quem aqui nunca usou inteligência artificial?”

Algumas mãos subiram. Com convicção (!)

E quando se perguntou “Quem pesquisa no Google quando trava num problema?” Todas as mãos subiram.

A verdade é que a maioria das pessoas já adota IA no dia a dia há mais tempo do que imagina. Só não chamava assim. Era “pesquisar”, “usar o tradutor”, “deixar o autocomplete completar”. O nome veio depois mas a prática já estava lá.

E isso importa — especialmente quando falamos de Lean.

O que é adotar tecnologia versus modismo?

No contexto Lean, a pergunta não é “você usa IA?”. É “você usa para eliminar desperdício seu e do processo?”

Transcrição automática de reuniões. Geração assistida de planos de ação. Análise de dados que antes exigia horas de planilha. Esses não são recursos do futuro — já existem, já estão disponíveis, e quem os usa hoje está operando em um patamar que, há 12 meses, era simplesmente inviável para a maioria das equipes.

Não é exagero: estamos a anos-luz de onde estávamos há um ano.

Mas aqui está o risco: a mesma lógica que faz alguém comprar um VSM na parede sem nunca mapear um fluxo de verdade se repete com tecnologia. Você instala a ferramenta, faz o post no LinkedIn, e segue com os mesmos processos de antes.

O Lean sempre foi sobre isso

O Toyota Production System não nasceu da tecnologia mais sofisticada da época. Nasceu da obsessão com desperdício, da cultura de melhoria contínua, da pergunta honesta: “isso agrega valor ou não?”

A pergunta certa não é “como eu implemento IA?”. É “onde estou perdendo tempo, energia e qualidade que uma ferramenta poderia resolver — e que eu já poderia estar usando?”

Muitas vezes a resposta está em algo que você já faz. Só ainda não tem nome.

Não é falta de tecnologia. Não é falta de orçamento. É uma expectativa calibrada no lugar errado.

Você já viu isso acontecer. Talvez até já fez isso.

Uma empresa decide adotar Inteligência Artificial. Há entusiasmo, um projeto-piloto é lançado, ferramentas são contratadas. Três meses depois, alguém pergunta: “E o retorno?” Silêncio. O projeto vai perdendo prioridade. Em seis meses, virou mais uma iniciativa que “não funcionou”.

O problema não foi a IA em específico. Foi a régua usada para medir o sucesso.

O ROI que você espera não existe (ainda)

Líderes acostumados a tecnologia SaaS têm um modelo mental claro: contrata, implementa, mede resultado em 90 dias, renova ou cancela. Funciona bem para CRM, ERP, plataformas de e-commerce.

Quando uma empresa treina um novo colaborador sênior, ninguém pergunta no terceiro mês qual foi o ROI da contratação. Sabe-se que o valor vem com tempo, contexto e integração. Com IA é igual. A diferença é que a pressão por resultado imediato é desproporcional ao ciclo real de maturidade.

O que acontece na prática

Veja o padrão que se repete:

O que essa empresa não sabe é que, nesse mesmo período, um concorrente quieto estava construindo fundação: documentando processos, treinando o time, ajustando modelos. Em 12 meses, a diferença competitiva será visível e provavelmente irreversível.

Troque a métrica, não a tecnologia

Antes de medir ROI financeiro, meça capacidade instalada. Pergunte:

• Quantas pessoas do time conseguem usar IA de forma autônoma hoje?
• Quantos processos foram documentados e estão prontos para automação?
• Existe um caso de uso claro onde IA substitui tempo humano de baixo valor?
• O líder sabe qual problema quer resolver, não só qual ferramenta quer testar?

Se a resposta for “não” ou “ainda não sei”, o problema não é o ROI. É que a fundação ainda não foi construída.

IA não é sprint. É maratona com aceleração progressiva. Líderes que entendem isso não desistem no terceiro mês.

A Inteligência Artificial está transformando a forma como trabalhamos. Hoje, ela é capaz de gerar relatórios, resumir documentos, estruturar apresentações e apoiar análises em poucos segundos.

Mas existe um risco que cresce na mesma velocidade da sua adoção: confiar cegamente nas respostas geradas.

Quanto mais natural e convincente a IA se torna, mais fácil é esquecer que ela não compreende o conteúdo da mesma forma que um ser humano. Ela não possui experiência, senso crítico ou conhecimento próprio. Seu funcionamento é baseado na identificação de padrões para prever a resposta mais provável para cada solicitação.

E é justamente por isso que ela também pode errar.

Na área de Inteligência Artificial, existe um fenômeno conhecido como “alucinação”. Isso acontece quando o sistema gera informações incorretas, referências inexistentes ou dados imprecisos, apresentando-os como se fossem verdadeiros. O problema é que essas respostas costumam parecer extremamente confiáveis.

Para profissionais de processos, melhoria contínua, planejamento e gestão, esse risco merece atenção especial. Imagine utilizar uma resposta da IA para construir um plano de ação, definir indicadores ou elaborar um procedimento operacional sem realizar qualquer validação. Uma informação incorreta pode se transformar rapidamente em uma decisão equivocada.

Isso não significa que devemos deixar de utilizar a IA. Pelo contrário. Ela é uma ferramenta poderosa para aumentar produtividade, acelerar análises e apoiar a tomada de decisão. Porém, seu papel deve ser o de assistente, não de autoridade absoluta.

Algumas práticas simples ajudam a reduzir riscos:

• Verifique informações críticas em fontes confiáveis;
• Solicite referências e confirme sua existência;
• Compare respostas antes de tomar decisões;
• Utilize seu conhecimento técnico para validar resultados;
• Mantenha sempre uma postura crítica diante das respostas.

A Inteligência Artificial pode ajudar você a trabalhar mais rápido. Mas a responsabilidade pela qualidade das decisões continua sendo humana.

No fim das contas, a pergunta não é se devemos confiar na IA.

Como uma nova habilidade está separando profissionais comuns de profissionais extraordinários

Lembra quando saber usar o Excel era diferencial no currículo? Quem dominava PROCV, tabela dinâmica e fórmulas aninhadas tinha um poder que os outros simplesmente não tinham. Era aquela pessoa que resolvia em 10 minutos o que levava horas para os colegas. Pois bem: isso está acontecendo de novo. Só que agora o Excel se chama Prompt Engineering.

Mas o que é isso, afinal? E por que todo profissional de negócios deveria se preocupar com o assunto?

O que é Prompt Engineering?

De forma simples: é a habilidade de saber conversar com inteligências artificiais de forma estratégica para obter resultados muito melhores.

Pensa assim: dois profissionais usam o ChatGPT para escrever um e-mail de proposta comercial. Um digita “escreva um e-mail de proposta” e recebe algo genérico. O outro descreve o contexto, o perfil do cliente, o tom desejado, os diferenciais do produto e o objetivo da mensagem — e recebe um rascunho quase pronto para enviar. A ferramenta é a mesma. O resultado é completamente diferente.

Por que a comparação com o Excel faz sentido?

Nos anos 90 e 2000, o Excel foi democratizando o acesso à análise de dados. De repente, qualquer pessoa de negócios podia automatizar cálculos, criar relatórios e tomar decisões baseadas em números, sem precisar de um programador do lado. Quem aprendeu, saiu na frente. Quem ignorou, ficou para trás.

O mesmo fenômeno está acontecendo com IA. As ferramentas já existem e estão acessíveis. A diferença está em quem sabe usá-las bem. E assim como o Excel avançado separava o analista mediano do excelente, o domínio de prompts está começando a separar profissionais comuns de profissionais extraordinários.

As semelhanças não param por aí:

• Qualquer um pode usar no nível básico, mas poucos dominam de verdade.
• Quem domina entrega mais em menos tempo.
• O aprendizado é gradual: começa simples e vai ficando sofisticado.
• Está virando exigência básica no mercado de trabalho.

O que muda na prática para profissionais de negócios?

Não estamos falando de aprender a programar. Estamos falando de aprender a pensar junto com a IA. Profissionais de vendas, marketing, RH, financeiro, jurídico, todos podem usar IA no dia a dia para:

• Redigir e-mails, propostas e relatórios mais rápido.
• Analisar dados e tirar conclusões sem precisar de especialistas técnicos.
• Criar apresentações, roteiros e conteúdos com muito menos esforço.
• Pesquisar, resumir e organizar informações em minutos.

A chave é saber como pedir. Dar contexto, definir o papel da IA, indicar o formato esperado e ajustar quando necessário. É uma habilidade de comunicação, e bons profissionais de negócios já têm a base para aprender isso rápido.

Conclusão: não é sobre tecnologia, é sobre vantagem competitiva

Assim como o Excel virou uma habilidade essencial e hoje ninguém questiona a necessidade de sabê-lo. O Prompt Engineering está no mesmo caminho. A diferença é que essa curva está acontecendo muito mais rápido.

Quem aprender agora vai ter a vantagem de quem aprendeu Excel antes de todo mundo. Quem esperar vai aprender por obrigação, quando já não for mais diferencial.

Nas últimas duas décadas o PDCA (Plan, Do, Check, Act) se consolidou como o método padrão de melhoria contínua, formalizado pela ISO 9001 desde a versão 2000 e associado ao ciclo de Deming: planejar uma atividade, executá-la, avaliar os resultados e agir para ajustar o próximo ciclo. É simples no papel e difícil na prática, porque exige disciplina de processo, não apenas boa vontade. A entrada da inteligência artificial generativa nesse método não substitui essa disciplina: ela acelera cada etapa, desde que exista um processo real por trás do prompt.

Plan: Planejar com mais dados e menos viés

Modelos generativos ajudam a mapear processos, gerar hipóteses e descrever cenários alternativos antes de qualquer execução, um uso já discutido na literatura de Business Process Management, em que a IA generativa apoia a descoberta e a descrição de processos como etapa inicial do ciclo de melhoria. Na prática, isso significa usar a IA para levantar variáveis que a equipe não pensaria sozinha, não para decidir por ela.

Do: Executar tarefas repetitivas em escala

É na etapa “Do” que o prompt engineering aparece com mais força: automação de rascunhos, respostas padrão, análises preliminares e tarefas repetitivas. Estudos sobre IA generativa em gestão de processos apontam justamente esse ganho, automatizar o trabalho rotineiro para liberar tempo de decisão humana. O risco é tratar essa etapa como o processo inteiro: sem um Plan claro, a IA apenas produz volume, não resultado.

Check: Verificar resultados mais rápido

Aplicações de IA na síntese e triagem de evidências mostram um caminho concreto para o “Check”: reduzir o esforço manual de comparar resultados, organizar dados e sinalizar desvios em relação ao que foi planejado. O mesmo princípio vale para qualquer equipe, usar IA para revisar o que foi feito contra o que foi combinado, e não apenas para gerar relatórios bonitos.

Act: Ajustar o prompt e o processo

Casos de PDCA aplicados à melhoria de processos hospitalares mostram um padrão que também vale para IA: o ciclo só gera resultado quando o “Act” retroalimenta o “Plan” seguinte, ajustando metas, instruções e prompts com base no que o “Check” revelou. Sem esse fechamento, cada rodada de IA recomeça do zero e a curva de aprendizado do processo nunca acontece.

O ponto central

Prompt engineering é, na melhor das hipóteses, a etapa “Do” do PDCA turbinada. Pesquisas de mercado indicam ganhos reais de produtividade individual com o uso qualificado de prompts, mas esse ganho só vira resultado organizacional quando existe um Plan, um Check e um Act ao redor dele. IA sem processo é apenas um multiplicador aplicado a uma base fraca — e multiplicador de zero ainda é zero.

Lean sempre ensinou as empresas a enxergar desperdícios, melhorar fluxos e resolver problemas perto de onde o trabalho acontece. Mas, com a chegada da inteligência artificial, surge uma pergunta importante: o que o Lean ainda pode aprender com a IA?

A resposta não está em substituir pessoas por algoritmos. Está em usar a IA para acelerar o aprendizado, ampliar a análise e ajudar equipes a tomar decisões melhores.

IA acelera o ciclo de aprendizado

No centro do Lean está a melhoria contínua: observar, entender o problema, testar hipóteses e aprender com os resultados. A IA pode fortalecer esse ciclo.

Ela consegue analisar grandes volumes de dados, resumir informações, encontrar padrões e sugerir hipóteses rapidamente. Reclamações de clientes, registros de atendimento, falhas operacionais e indicadores de processo podem revelar sinais que antes ficavam escondidos em planilhas ou relatórios.

Mas a IA não substitui o pensamento crítico. Ela ajuda a perguntar melhor, não a decidir sozinha.

Dados não substituem o Gemba

Um dos maiores riscos da IA é acreditar que o painel mostra tudo. Lean ensina o contrário: é preciso ir ao Gemba, observar o trabalho real e conversar com as pessoas que vivem o processo.

Um algoritmo pode apontar atraso em uma etapa, mas só a observação direta revela se a causa está em retrabalho, sistema ruim, excesso de demanda, falta de treinamento ou decisão mal definida.

O novo desperdício é não aprender com o que já existe

Empresas acumulam documentos, chamados, reuniões, e-mails, pesquisas e relatórios. Muito conhecimento já existe, mas fica espalhado e pouco usado.

A IA pode reduzir esse desperdício. Ela ajuda a recuperar aprendizados anteriores, comparar casos parecidos e evitar que equipes resolvam o mesmo problema várias vezes.

Nesse sentido, IA não é apenas automação. É uma forma de tornar a memória da organização mais acessível.

Automatizar sem melhorar continua sendo desperdício

A IA facilita automatizar tarefas. Mas automatizar um processo ruim apenas faz o erro acontecer mais rápido.

Antes de aplicar IA, o Lean continua fazendo as perguntas certas:

• Essa atividade gera valor?
• Esse passo ainda é necessário?
• Qual problema estamos tentando resolver?
• Estamos eliminando causa ou escondendo sintoma?

A melhor combinação não é IA em tudo. É IA aplicada com propósito, processo claro e foco no cliente.

Conclusão

Lean pode aprender com IA a acelerar análises, encontrar padrões e recuperar conhecimento perdido. Mas a IA também precisa aprender com Lean: tecnologia sem Gemba, sem propósito e sem melhoria real vira apenas complexidade.

O futuro não é escolher entre pessoas ou algoritmos. É usar a IA para liberar tempo, ampliar a visão e fortalecer a capacidade humana de resolver problemas.

Durante décadas, grande parte do trabalho dos analistas esteve concentrada em coletar informações de diferentes sistemas, consolidar planilhas, limpar bases de dados e produzir relatórios. Esse processo, embora essencial, consumia a maior parte do tempo disponível. Com a popularização da Inteligência Artificial Generativa e da automação analítica, esse cenário está mudando rapidamente.

Hoje, ferramentas de IA conseguem integrar bases de dados, escrever consultas SQL, criar dashboards, identificar padrões estatísticos e até gerar análises preliminares em poucos segundos. O diferencial competitivo do analista, portanto, deixa de ser a capacidade de compilar dados e passa a ser sua habilidade de interpretar resultados, compreender o contexto do negócio e transformar informações em decisões estratégicas.

Esse movimento já é percebido pelo mercado. O Gartner prevê que, até 2027, 75% dos novos conteúdos analíticos serão enriquecidos por Inteligência Artificial Generativa, tornando as análises mais contextualizadas e orientadas à ação. Ao mesmo tempo, plataformas analíticas caminham para um modelo cada vez mais autônomo, no qual a IA executará parte significativa das análises operacionais.

Isso não significa que o papel do analista desaparecerá. Pelo contrário. Quanto maior a capacidade da IA de produzir informações, maior será a necessidade de profissionais capazes de validar resultados, identificar vieses, questionar conclusões e conectar os insights aos objetivos estratégicos da organização. Pesquisas acadêmicas mostram que a supervisão humana continua indispensável para verificar a confiabilidade das análises produzidas por IA e evitar interpretações equivocadas.

Competências como pensamento crítico, conhecimento dos processos, comunicação executiva, storytelling com dados e tomada de decisão baseada em evidências ganharão ainda mais relevância do que habilidades puramente operacionais.

Em um cenário em que a IA reduz drasticamente o tempo gasto na preparação dos dados, a verdadeira vantagem competitiva estará em fazer as perguntas certas, interpretar corretamente os indicadores e transformar dados em ações capazes de gerar resultados.