Resumo objetivo: a lacuna entre o que os modelos de IA podem fazer e o que as empresas implantam decorre da necessidade de infraestrutura que conecte identidade, dados e habilidades.
Jared Spataro, CMO de IA no Trabalho da Microsoft, afirma que a distância entre a capacidade dos modelos atuais e o uso real nas empresas é grande e causa frustração. Segundo ele, autores como Ethan Mollick e Erik Brynjolfsson diagnosticam que processos de governança e aversão ao risco atrasam a adoção. Spataro acrescenta que a causa inicial da lacuna é operacional: falta de identidade, permissões, ligação com os dados do negócio e registro das ações dos agentes de IA.
O diagnóstico e as causas da lacuna
Spataro concorda com Mollick e Brynjolfsson sobre a existência de um problema organizacional. Porém, ele distingue a fricção visível — controle burocrático e excesso de pilotos — da camada estrutural necessária para que a IA desapareça dentro do trabalho. Essa camada inclui quem faz pergunta, o que cada pessoa pode ver, onde estão os dados e como a IA registra decisões.
Conforme o texto, essa infraestrutura não é apenas proteção; é o que permite que a IA opere sem precisar reaprender toda vez. Hoje, modelos tratam cada tarefa como nova: em cada prompt é preciso explicar onde estão os dados, o formato de saída e os padrões aplicáveis. A solução proposta são habilidades: conjuntos estruturados de instruções que codificam como um trabalho específico deve ser executado dentro da organização.
Como a tecnologia se torna invisível no trabalho
O texto retoma a descrição de Geoffrey Moore sobre a adoção tecnológica: primeiros adotantes agem de modo não representativo, e o restante só adere quando a tecnologia se integra ao trabalho existente. Spataro usa exemplos históricos: a web transformou o comércio quando se tornou a camada invisível sob o que a Amazon construiu; o móvel ganhou quando a interface deixou de ser o foco da ação.
A conclusão é que, para a maioria, a tecnologia se torna relevante quando deixa de ser percebida. O trabalho estrutural de reconstrução prévia termina por tornar a tecnologia indetectável no dia a dia. A IA seguirá o mesmo padrão.
A camada que sustenta o uso em larga escala
A visão estratégica e a experimentação são necessárias, mas insuficientes sem a camada que responde a perguntas práticas: quem consulta, que dados são acessíveis e onde o trabalho já acontece. Spataro descreve como a camada resolve o problema do reaprendizado, transformando prompts isolados em habilidades reutilizáveis.
Ele explica que muitas organizações já têm parte dessa capacidade acumulada em sistemas corporativos: funções pouco usadas, fluxos de trabalho complexos e dados não estruturados. A IA generativa torna essas capacidades acessíveis, desde que a infraestrutura exista para suportá-las.
Modelo operativo e o exemplo do Camp AIR
O desafio organizacional é saber como redesenhar processos. O texto alerta que os mesmos processos que precisam ser alterados são os que sustentam a operação atual, e as empresas não têm pausa para reconstruir. Há um ponto em que a aceleração da IA esbarra na estrutura vigente: o motor pode estar no máximo e ainda assim não ser possível aumentar a velocidade.
Spataro descreve uma intervenção deliberada usada na Microsoft: o Camp AIR, programa imersivo de três semanas com tempo protegido, coaches internos e ferramentas compartilhadas de IA. Durante o programa, a prioridade foi mapear fluxos de trabalho e experimentar novas formas de trabalhar com IA, em vez de apenas entregar funcionalidades.
Ele alerta que quem não promove essa estrutura pode ver um modelo emergir sob pressão competitiva, com menos tempo e opções. O desenvolvimento de software já mostra padrões de trabalho que servem de sinalização para outras áreas, mas não há um mapa pronto; há exemplos guiando quem vem atrás.
Orientações práticas para líderes
Spataro propõe que a diferença entre liderar ou acompanhar está em construir o cabeamento — a infraestrutura — enquanto outros debatem o interruptor. A questão prática não é só quanto de capacidade de IA existe, mas se a infraestrutura sob os investimentos é de fato operacional ou apenas apoio a mais pilotos.
O primeiro passo sugerido é pequeno e concreto: escolher um fluxo de trabalho recorrente e responder a três perguntas fundamentais:
– Onde o trabalho fica hoje?
– Onde os humanos intervêm apenas para fazer o processo andar?
– O que seria necessário para que um agente executasse isso sem precisar reaprender a cada vez?
As respostas servem de base para criar uma habilidade, distribuí-la e testá-la em condições reais. Ao ver o padrão funcionar em um caso, torna‑se mais fácil replicá‑lo. O objetivo é fazer com que a IA deixe de ser mencionada nas reuniões e passe a entregar resultados sem intervenção constante.
Para mais informações sobre IA e o futuro do trabalho, o autor indica a opção de inscrever‑se no boletim ligado ao tema.
Assuntos nesse artigo:
#ia, #inteligenciaartificial, #infraestrutura, #identidade, #permissoes, #dados, #habilidades, #prompt, #modelooperativo, #campair, #microsoft, #jaredspataro, #ethanmollick, #erikbrynjolfsson, #curvaemj, #amazon, #web, #movel, #adocao, #trabalho