A promessa e a realidade da IA em projetos
A inteligência artificial (IA) tem se consolidado como uma ferramenta fundamental para alcançar maior eficiência operacional, reduzir erros humanos e acelerar a análise de dados nas organizações. No entanto, embora muitas empresas estejam investindo intensamente nessas tecnologias com a expectativa de transformar sua gestão de projetos, os resultados têm sido mais modestos do que o esperado. Relatórios recentes do MIT indicam que cerca de 80% das organizações estão testando ou utilizando mecanismos de IA generativa, como o ChatGPT, para melhorar o desempenho individual, mas aproximadamente 95% obtêm pouco ou nenhum retorno sobre o investimento. Isso evidencia uma importante diferença entre o potencial da IA e seu impacto real nos resultados financeiros das empresas.
Um dos principais motivos é que a adoção da IA em projetos não depende apenas da tecnologia. Assim como ocorre em outros projetos de tecnologia da informação, o sucesso está condicionado à aceitação por parte de funcionários, clientes e gestores. A diferença é que, no caso da IA, essa aceitação ocorre em múltiplos níveis: se a funcionalidade realmente gera valor, se os resultados são confiáveis, se as pessoas se sentem confortáveis com o sistema e se desejam incorporá-lo à sua forma cotidiana de trabalho. A gestão de projetos deve integrar essas dimensões humanas e organizacionais desde o início.
Treinamento contínuo de modelos: um projeto que nunca termina
A qualidade dos resultados da IA está diretamente relacionada à qualidade e ao volume de dados utilizados em seu treinamento. Um exemplo ilustrativo é o de uma clínica de cardiologia que implementou um sistema de IA para auxiliar no diagnóstico e nas recomendações de tratamento. O modelo chegou com um treinamento inicial realizado com dados de pacientes dos Estados Unidos, mas a instituição médica buscava adaptá-lo às características específicas de sua população. Para isso, era necessário adicionar informações clínicas reais, sempre com o consentimento dos pacientes e a colaboração contínua da equipe médica.
Na prática, nem todos os pacientes aceitaram compartilhar seus dados e nem todos os profissionais registraram as informações com o mesmo nível de sistematização. O resultado foi um modelo treinado de forma incompleta, com risco de vieses e menor precisão do que a esperada. Essa situação reflete um desafio comum: em ambientes reais, os sistemas de IA nunca estão “completamente” treinados, pois as condições de negócio, os dados e os comportamentos mudam continuamente.
Na gestão de projetos, isso significa compreender que a implementação do sistema não representa o fim do processo, mas sim o início de um ciclo permanente de avaliação e ajustes. É necessário definir níveis de precisão esperados, monitorar seu cumprimento e ativar etapas de retreinamento quando a qualidade das previsões diminuir. Essa lógica de melhoria contínua exige a participação coordenada de equipes técnicas e usuários, que devem alimentar e validar o modelo ao longo do tempo. Recursos especializados, como o MIT Sloan Management Review ou relatórios técnicos do NIST, podem oferecer estruturas de referência úteis para essas atividades.
Integração aos fluxos de trabalho: quando a IA interrompe em vez de ajudar
Outro pilar fundamental é a forma como a IA é inserida nos processos de negócio existentes. Um sistema pode ser poderoso em termos algorítmicos e, ainda assim, fracassar se interromper o fluxo de trabalho ou acrescentar dificuldades às tarefas diárias. A questão central para a gestão de projetos não é apenas saber se a solução funciona, mas também se ela se integra naturalmente às operações e se as pessoas a percebem como uma ferramenta de apoio, e não como um obstáculo.
Estudos recentes indicam que muitas soluções personalizadas de IA ficam paralisadas na fase piloto devido a problemas de integração técnica e à falta de alinhamento com os processos reais. Se a implementação da IA fragmenta tarefas, aumenta etapas desnecessárias ou obriga os funcionários a criar “atalhos manuais”, é provável que sua adoção fique limitada. A gestão de projetos deve contemplar períodos de teste bem definidos para avaliar o impacto nos fluxos de trabalho, medir ganhos concretos e, quando necessário, ajustar gradualmente a funcionalidade ou o design da interface para alcançar uma melhor adaptação.
Nesse contexto, revisões periódicas focadas na experiência do usuário e no desempenho dos processos, além dos indicadores puramente técnicos, podem ser decisivas. Recursos como o CIO.com apresentam casos práticos que ajudam a compreender tanto boas práticas quanto erros frequentes na integração da IA aos processos corporativos.
Aceitação do usuário: o fator humano como variável decisiva
Os dados disponíveis mostram que a resistência dos funcionários à IA é um risco real e frequente. Um estudo global da WalkMe revela que mais da metade dos trabalhadores evitou deliberadamente ferramentas de IA no último mês, realizando tarefas manualmente mesmo com a disponibilidade da tecnologia. Um terço dos entrevistados afirma não ter utilizado IA em nenhum momento, indicando que o problema vai além de simples dificuldades de aprendizagem e se aproxima de uma rejeição mais direta.
Além disso, existe uma diferença significativa de percepção entre gestores e funcionários. Enquanto a maioria dos líderes confia na capacidade da IA de tomar decisões complexas e considera que a organização oferece ferramentas adequadas, apenas uma minoria dos trabalhadores compartilha dessa visão. O receio da perda de empregos, a desconfiança nos resultados automatizados e a sensação de não terem participado da criação das soluções contribuem para essa resistência.
Para os responsáveis por projetos, isso exige uma abordagem gradual na introdução das automações. Em vez de delegar completamente tarefas críticas à IA desde o primeiro momento, pode ser mais eficaz começar com funções de apoio e verificação, permitindo que os usuários mantenham um papel ativo de supervisão. À medida que a confiança nos resultados aumenta, as responsabilidades do sistema podem ser ampliadas.
Essa abordagem progressiva reforça a ideia de que as pessoas são coarquitetas dos projetos de IA, e não apenas receptoras de uma ferramenta imposta.
Repensar a gestão de projetos diante da agenda de IA
A implementação da IA exige uma revisão de vários pressupostos tradicionais da gestão de projetos. O que antes era entendido como fases de encerramento ou manutenção passa a se transformar em processos de “reajuste” contínuo, fortemente relacionados à interação entre pessoas e tecnologia. Não se trata apenas de aprimorar funcionalidades, mas de avaliar quanto de mudança a organização consegue absorver, qual nível de automação é aceitável em cada momento e como evolui a relação entre a IA e as funções profissionais.
Essa dimensão humana é tão importante quanto a dimensão técnica. A “agenda de IA” de uma empresa não deve ser definida apenas com base no que a tecnologia é capaz de realizar, mas também no que as pessoas estão dispostas a incorporar à sua forma de trabalho. Nesse sentido, formações avançadas como o Mestrado em Direção Estratégica oferecido pela FUNIBER fornecem estruturas conceituais e ferramentas práticas para que profissionais possam liderar projetos de transformação digital com IA, equilibrando a viabilidade tecnológica, a estratégia de negócio e a gestão da mudança organizacional.
Fonte: Adaptado a partir de “AI upends key pillars of project management”, CIO.com, e dos dados citados do MIT e da WalkMe.