Em 2018, publiquei no Canal Espresso3 uma série de cinco artigos sobre Diagnóstico de Necessidades de Aprendizagem. A série era, e ainda é, uma adaptação prática do método proposto por Deborah Tobey e Beth McGoldrick em Needs Assessment Basics (ATD Press, 2016), organizado em quatro estágios:
Vinte perguntas norteadoras, uma lógica de funil, e uma premissa incômoda para quem gosta de pular etapas: treinamento só faz sentido depois que o problema foi entendido em profundidade.
Oito anos depois, a série continua sendo um dos conteúdos mais acessados que escrevi. Isso me diz duas coisas. A primeira é que o problema que ela resolve (o diagnóstico raso, feito na correria, que termina em treinamento irrelevante) segue sendo o problema central de T&D no Brasil. A segunda é que o método resiste ao tempo justamente porque ele não é sobre tecnologia. É sobre estruturar pensamento antes de estruturar solução.
Mas algo mudou radicalmente, e é sobre isso que este texto atual aborda.
Em 2018, fazer um diagnóstico rigoroso nos quatro estágios levava semanas, às vezes meses, porque cada estágio dependia de coleta manual de dados, acesso restrito a informações de negócio, entrevistas agendadas com dificuldade, análise artesanal de conteúdo. Hoje, grande parte desse trabalho pode ser feita em horas. Não porque a IA substitui o diagnóstico, mas porque ela desmonta o gargalo operacional que separava o profissional de T&D dos dados e informações de que ele precisava para decidir.
O que não mudou: o rigor da pergunta. O que mudou: a velocidade da resposta. E é exatamente essa combinação que redefine o que se espera de um profissional de T&D sênior em 2026.
Considerando as demandas atuais de T&D e os recursos disponíveis, é preciso levar em consideração os estágios a seguir para um uso consciente de IA que ao mesmo tempo acelere a resposta e realizar o ciclo de análise de necessidades e de avaliação de resultados. A seguir a imagem originalmente publicada e na sequência cada um dos estágios em detalhes.
Em 2018, quando um diretor de RH recebia uma demanda do tipo "precisamos treinar a liderança em gestão de mudança", o trabalho começava por onde sempre começou: entender o contexto estratégico da empresa, mapear as iniciativas em curso, identificar os indicadores de negócio afetados, descobrir qual era a leitura real do board sobre o problema. Esse trabalho exigia acesso a planejamento estratégico, relatórios de resultado, conversas com executivos, leitura de atas, revisão de pesquisas de clima… Material disperso, fragmentado, e frequentemente inacessível para quem estava na linha de frente do design da solução.
CEO e Co-founder da Mentora.ai
Executivo, educador e pesquisador com mais de 20 anos de experiência em Educação Corporativa e Gestão do Conhecimento, é professor em MBAs, mestrados profissionais e especializações, com passagem por instituições de referência como USP, FIA e Faculdade Israelita Albert Einstein. Ao longo da carreira, liderou e fundou iniciativas educacionais, desenhou programas corporativos para grandes empresas e formou milhares de profissionais e líderes, combinando rigor acadêmico, visão de negócio e aplicação prática. Também atua como articulista, palestrante e mentor, contribuindo ativamente para o debate sobre o futuro do trabalho, liderança e aprendizagem corporativa.
O que a IA mudou aqui: colapsou o tempo de pesquisa e síntese. Um LLM como Claude ou ChatGPT, quando alimentado com documentos estratégicos da empresa (planejamento, relatórios anuais, transcrições de reuniões), consegue produzir em minutos uma análise de contexto que antes levava dias.
Ferramentas de people analytics já integradas a plataformas permitem cruzar indicadores de performance com iniciativas estratégicas em tempo real. E sistemas de pesquisa assistida por IA, como Perplexity ou o próprio ChatGPT com busca ativada, permitem trazer benchmarks setoriais em segundos, não em relatórios encomendados.
Um gestor de T&D recebe o briefing de um programa de liderança para uma operação que acabou de ser adquirida. Em vez de começar a entrevistar stakeholders, ele carrega no LLM o release da aquisição, o comunicado interno do CEO, os relatórios financeiros dos últimos três trimestres e o último planejamento estratégico.
Pede uma análise estruturada: "identifique as três tensões estratégicas dominantes nesse contexto, os indicadores de negócio que provavelmente estão sob pressão, e as iniciativas paralelas com as quais um programa de liderança precisaria se integrar." O output não substitui a entrevista com o CHRO, mas transforma essa entrevista. Em vez de fazer perguntas genéricas de contexto, o profissional chega com hipóteses testáveis.
O limite desse estágio: a IA é excelente em sintetizar o que está escrito. É ruim para capturar o que não está: a política interna, as alianças entre diretores, o não-dito nas reuniões de comitê. Isso continua sendo trabalho humano, e continua sendo o diferencial estratégico do profissional sênior.
Aqui começa o trabalho mais artesanal da jornada de diagnóstico: entender como o trabalho acontece de verdade, onde estão os gargalos, o que separa o desempenho atual do desempenho esperado. Em 2018, isso significava observação direta, shadowing, entrevistas em profundidade, análise de indicadores operacionais. Profissionais bons chegavam a modelar processos em BPMN, cruzavam SLAs com taxas de erro, mapeavam handoffs entre áreas. Profissionais apressados pulavam essa etapa e iam direto para o content dump de treinamento.
O que a IA mudou aqui: três movimentos relevantes. Primeiro, a análise de dados operacionais ficou trivial. Plataformas de CRM, ERP e help desk exportam dados que um LLM consegue analisar com prompts relativamente simples como, por exemplo, padrões de reclamação de cliente, tempo médio de resolução por equipe, gargalos em fluxos de aprovação. Em segundo, a análise de linguagem em grande volume tornou-se acessível: transcrições de call center, mensagens em canais de suporte, registros de atendimento, tudo isso pode ser processado para identificar padrões de desempenho e de erro. Em terceiro, ferramentas de process mining cruzam com IA generativa para produzir hipóteses de gap em vez de apenas visualizações.
Uma operação de atendimento identifica queda no NPS. Em vez de partir para a hipótese de "faltou treinamento de empatia", o profissional de T&D pede ao LLM para analisar 500 transcrições de ligações com NPS baixo versus 500 com NPS alto. A análise retorna que o problema não é empatia, mas sim tempo de resolução. As chamadas com NPS baixo têm, em média, três transferências. O gap de desempenho não está no atendente, está no fluxo de escalonamento. O treinamento, se houver, vai para os supervisores. O diagnóstico acaba direcionando a solução para design de processo, não para conteúdo.
Esse é um dos estágios em que a IA mais impacta. Não por automatizar o diagnóstico, mas por tornar viável o diagnóstico rigoroso que antes era feito por instinto ou por falta de tempo.
Este é o estágio que os profissionais de T&D mais conhecem e ironicamente, o que a IA está reconfigurando mais profundamente. Historicamente, o trabalho aqui era: definir o que a pessoa precisa saber (Conhecimentos), saber fazer (Habilidades) e ser/demonstrar (Atitudes); extrair conhecimento tácito de especialistas internos através de entrevistas longas; escolher formatos de aprendizagem; desenhar avaliação de resultado.
A IA afeta esse estágio em quatro frentes. A primeira é o mapeamento de CHA: LLMs conseguem gerar mapas de competência detalhados a partir de descrições de função, análises de vaga, frameworks de referência (SHL, Korn Ferry, modelos do próprio ATD). Isso não substitui a validação com especialistas, mas elimina a página em branco. A segunda é a extração de conhecimento tácito. O trabalho que antes exigia dezenas de horas de entrevistas com experts pode agora ser acelerado por transcrição automática, síntese estruturada e extração de heurísticas. Alimentar um LLM com transcrições de três especialistas e pedir "identifique os princípios decisórios implícitos que esses três profissionais compartilham" é um exercício que mudou a natureza do trabalho de design de aprendizagem.
A terceira frente é a seleção de formato. Ferramentas como Synthesia, HeyGen, ElevenLabs ou mesmo plataformas consolidadas como a Articulate 360 (agora com camadas de IA) reduziram drasticamente o custo de produzir conteúdo em vídeo, áudio e interativo. Isso não significa que todo conteúdo deve ser produzido, mas sim que significa que a decisão de formato deixou de ser uma decisão de orçamento e voltou a ser uma decisão de design instrucional. A quarta frente é a checagem de resultado: LLMs podem simular aprendizes, rodar pré-testes, identificar pontos confusos em materiais antes da publicação.
Um designer instrucional precisa desenhar um programa sobre "decisão de crédito" em um banco médio. Em vez de agendar cinco entrevistas de duas horas com analistas seniores, ele grava uma sessão de duas horas com três deles discutindo cinco casos relevantes. A transcrição vai para o LLM com um prompt estruturado: "extraia os critérios decisórios implícitos, identifique onde os três divergem, onde convergem, e quais variáveis contextuais alteram a decisão." O output é o esqueleto da arquitetura do programa. As outras entrevistas ainda acontecem, mas mais para validar hipóteses, não para coletar do zero.
O risco real desse estágio, e aqui vale a advertência, é a ilusão de profundidade. LLMs produzem mapas de CHA plausíveis com muita facilidade. Plausível não é o mesmo que correto. A curadoria humana, com conhecimento de domínio, continua sendo o que separa um programa que funciona de um programa que só parece bem-feito.
Historicamente, esse era o estágio mais negligenciado. Tratava-se do público como uma massa homogênea: "gestores de média liderança", "analistas pleno", "novos contratados". A análise de perfil, prontidão, motivação e contexto de cada aprendiz era feita, na melhor das hipóteses, por amostragem em pesquisa de entrada. Na pior, era pulada.
O que a IA mudou aqui: tornou viável a personalização que sempre foi defendida na teoria e nunca foi entregue na prática. LLMs permitem segmentar públicos simultaneamente em tempo real a partir de dados de perfil, performance e uso. Plataformas de aprendizagem adaptativa (Area9, Docebo com camadas de IA, e o próprio nicho de coachingAI onde a Mentora.AI opera) permitem ajustar conteúdo, ritmo e intervenção ao contexto individual. E a análise de engajamento com conteúdo existente permite identificar padrões de prontidão que antes eram invisíveis.
Em 2018, em um programa de desenvolvimento de liderança com 300 gestores. todos recebiam o mesmo módulo inicial. Em 2026, o profissional de T&D pode cruzar dados de performance, feedback 360, uso prévio de plataformas de aprendizagem e mesmo autodeclaração de desafios para segmentar os 300 em cinco clusters com necessidades distintas. O conteúdo inicial é o mesmo, mas as intervenções complementares, os casos, as perguntas de reflexão e o tipo de acompanhamento são diferentes. Isso era impossível em escala há oito anos.
O limite crítico desse estágio é o que preocupa mais: dados de aprendiz são dados sensíveis. Personalização baseada em performance, emoção e autopercepção entra em zona LGPD com facilidade. Qualquer uso de IA nesse estágio que não seja acompanhado de política de dados clara, consentimento informado e governança de uso é risco reputacional e, em alguns casos, jurídico.
Sendo honesto e sem otimismo de vendedor de ferramenta: a redução de tempo não é uniforme entre os estágios, e depende fortemente da maturidade de dados da empresa e da competência de quem opera a IA.
Uma estimativa realista, baseada em observação de equipes de T&D que incorporaram IA de forma estruturada ao longo de 2024 e 2025:
Um ciclo de diagnóstico que levava de 8 a 12 semanas em 2018 pode hoje ser feito em 3 a 5 semanas com a mesma, ou até maior, profundidade. A pergunta óbvia é: o que você vai fazer com as 5 a 7 semanas que sobraram?
A resposta que interessa não é "fazer mais diagnósticos". É fazer os diagnósticos que antes não cabiam: o follow-up três meses depois da entrega, a reanalisar o público a cada cohort, a manutenção contínua do programa como um produto vivo em vez de um evento. O tempo recuperado só gera valor se for realocado para o trabalho que antes era descartado por impossibilidade operacional.
Se você recuperar 40% do tempo e usar para entregar mais programas no mesmo formato, a IA virou esteira. Se você recuperar 40% do tempo e usar para aprofundar, iterar e acompanhar resultado, a IA virou alavanca. A escolha é sua, e ela define o tipo de profissional que você está se tornando.
Uma provocação final, específica para quem atua em RH e T&D no Brasil em 2026. A IA não vai substituir o profissional de T&D. Vai substituir o profissional de T&D que faz o que a IA faz melhor. E essa diferença depende de desenvolver ativamente quatro capacidades que, até pouco tempo atrás, não eram centrais na formação da área.
A primeira é leitura crítica de dados. Não é análise quantitativa avançada. É a capacidade de olhar para um output de IA, de um dashboard, de um relatório de engajamento, e perguntar: o que esses dados não estão mostrando? Qual é o viés da amostra? Qual é a métrica que está sendo otimizada às custas de outra? Essa competência era opcional em 2018. Hoje é obrigatória, e a maioria dos profissionais de T&D no Brasil ainda não a desenvolveu com rigor.
A segunda é engenharia de prompts aplicada ao diagnóstico. Prompt não é truque de redação. É a capacidade de estruturar uma pergunta para um sistema de IA de modo que a resposta seja útil, verificável e reutilizável. Isso exige conhecimento de domínio, um bom prompt de diagnóstico de necessidade de aprendizagem só é escrito por quem entende das quatro etapas de Tobey e McGoldrick. Quem delega o prompt ao estagiário está delegando o diagnóstico.
A terceira é pensamento sistêmico no design da solução. Quanto mais fácil fica produzir conteúdo com IA, mais o diferencial desloca-se para a arquitetura do programa. Como os módulos se conectam? Como o programa dialoga com o sistema de performance? Como a aprendizagem se sustenta três meses depois da formação? Isso é trabalho de design de sistemas, não de design de aula e é onde o profissional sênior precisa estar.
A quarta, que é a mais delicada, é curadoria crítica de output de IA. A IA produz respostas plausíveis com enorme velocidade. Plausível não é correto. Curar criticamente significa questionar, testar, validar com especialistas, rejeitar o que não serve e assumir autoria do que é publicado. Essa responsabilidade não pode ser terceirizada à máquina e é exatamente isso que separa o uso maduro da IA do uso apressado.
Enfim, a série de 2018 continua de pé porque o diagnóstico rigoroso nunca foi sobre a ferramenta. Sempre foi sobre a pergunta. A IA não mudou a pergunta. Mudou o custo de respondê-la, e mudou drasticamente o que esperamos de quem tem a responsabilidade de conduzir esse trabalho dentro das organizações.
Se você trabalha com aprendizagem corporativa no Brasil hoje, esse é o convite: pare de usar a IA para fazer mais rápido o que você já fazia. Comece a usar para fazer o que você sempre quis fazer e nunca teve tempo. E pare de adiar o desenvolvimento das quatro competências acima porque o relógio já está correndo, e a distância entre quem vai liderar a próxima década e quem vai ser marginalizado por ela está sendo definida agora.
