Nos últimos anos, a inteligência artificial deixou de ser um tema restrito a laboratórios, áreas técnicas e empresas de tecnologia. Ela entrou no cotidiano das pessoas. E isso aconteceu, principalmente, quando a IA generativa tornou o uso mais acessível, intuitivo e simples. A partir daí, o crescimento deixou de ser apenas técnico e passou a ser cultural.
Esse movimento ajuda a explicar por que a IA ocupa hoje tanto espaço nas agendas executivas. O potencial projetado é enorme. Os investimentos globais seguem em alta. No Brasil, esse avanço também já aparece com clareza: pesquisa realizada pela Koru com líderes de RH de mais de 370 empresas mostra que a prioridade de investimento em inteligência artificial dobrou de 2024 para 2025. Ao mesmo tempo, o discurso em torno da tecnologia segue carregado de promessas grandiosas. E é justamente aqui que mora a tensão central: se o potencial é tão alto, por que ainda há tanta dificuldade de transformar IA em resultado concreto?
A resposta mais honesta é que estamos no começo. Tudo indica que a IA ainda está longe do limite do que pode entregar. Mas também é verdade que a maior parte das organizações ainda não encontrou a forma de capturar esse valor com consistência. Há muito potencial projetado e relativamente poucos casos de escala real. Em outras palavras: existe substância por trás do tema, mas existe hype demais em torno da velocidade com que esse valor será capturado.
Esse descompasso aparece de forma evidente quando olhamos para a prática. Diversos estudos apontam que a maioria das iniciativas de IA não entrega o retorno esperado. O problema, na maior parte das vezes, não está na tecnologia em si. Está na forma como as empresas tentam adotá-la. Em muitos casos, elas começam pela ferramenta, e não pelo problema. Querem usar IA para tudo. Confundem automação com inteligência, experimentação com estratégia e velocidade com maturidade.
Esse é um ponto importante: nem tudo precisa de IA. Há situações em que automação tradicional, regras bem definidas ou modelos preditivos mais simples resolvem melhor, com menos custo e mais eficiência.
Usar IA para qualquer problema é como usar um canhão para matar um mosquito. A escolha da tecnologia precisa respeitar a natureza do desafio, o volume de dados, o tipo de decisão envolvida e o grau de adaptabilidade necessário.
Além disso, a maior parte das empresas brasileiras não nasceu digital. E isso muda completamente o jogo. Escalar IA em uma empresa não nativa digital exige mais do que acesso a ferramentas. Exige capacidade de adaptação organizacional.
Um estudo clássico sobre transformação digital já mostrava algo que continua extremamente atual: empresas que conseguem escalar iniciativas digitais com mais consistência tendem a seguir dois princípios simples. O primeiro é começar pequeno. O segundo é fazer do seu jeito. Parece básico, mas é justamente aí que muita iniciativa falha.
CEO e Cofundador da Koru
Cofundador e CEO da Universidade Corporativa Koru, Daniel Spolaor atuou como diretor de Gente da Ambev para a América do Sul, diretor de Gente e Estratégia da AmbevTech e CHRO e COO da Falconi. Formado em Administração, pós-graduado em Negócios, tem mais de 15 anos de experiência em grandes corporações com ampla atuação na área de Recursos Humanos e tecnologia. Daniel ainda dedicou-se durante os últimos dez anos a iniciativas de qualificação e requalificação de pessoas frente a mudanças de mercado, econômicas e tecnológicas, tendo trabalhado com diversas instituições de ensino Brasileiras e do exterior para viabilizar oportunidades, emprego e renda para as pessoas.
Começar pequeno não significa pensar pequeno. Significa reduzir entropia, identificar gargalos, aprender rápido e gerar evidência concreta de valor antes de expandir. E fazer do seu jeito significa reconhecer que não existe um manual universal de adoção de IA. Existe o contexto de cada empresa: sua cultura, sua infraestrutura, seus dados, sua liderança, sua capacidade de investimento, seus limites regulatórios e sua maturidade interna.
Na prática, tenho visto duas abordagens principais. A primeira é usar IA para turbinar algo que a empresa já faz. Aqui, o foco costuma estar em produtividade, eficiência operacional e redução de atrito. É o caso, por exemplo, de empresas que aplicam IA em recrutamento, atendimento, análise de demanda, manutenção preditiva ou automação de processos.
A segunda abordagem é criar algo a partir da IA: um novo produto, uma nova proposta de valor, uma nova fonte de receita, um novo modelo de negócio. A diferença parece sutil, mas é decisiva. Em um caso, a IA melhora o que já existe. No outro, ela altera a lógica do que a empresa vende e de como compete.
Um dos exemplos mais consistentes que temos acompanhado na Koru está na primeira frente. Em parceria com a Suzano, a companhia vem formando profissionais para aplicar IA, dados e machine learning em problemas reais de negócio. Estamos falando de iniciativas ligadas a eficiência, produtividade e excelência operacional em diferentes unidades, inclusive fora do Brasil. No último ciclo, mais de 500 profissionais estiveram envolvidos em projetos aplicados, com ganhos reportados pela própria empresa que superam R$ 180 milhões. Não se trata de uma inovação isolada ou de uma prova de conceito bem apresentada. Trata-se de aplicação orientada por problema expressivo, com capacitação, priorização e execução.
Por outro lado, também vemos casos em que a tecnologia existe, o interesse existe, mas a estrutura organizacional trava a escalada. Um exemplo é o de um grande banco multinacional que capacita seus times em engenharia de prompt e possui modelos robustos à disposição, mas convive com restrições severas de acesso a dados e sistemas. O resultado é previsível: sem integração com a realidade do negócio, a IA fica confinada a exercícios controlados, pouco conectados aos problemas que realmente importam. Treinar sem garantir acesso, contexto e aplicabilidade é um caminho quase certo para frustração.
Há ainda um terceiro tipo de barreira, menos técnica e mais humana. Em uma fintech global com operação em vários continentes, uma iniciativa promissora de IA perdeu tração porque o time mobilizado para resolver os desafios simplesmente não reconhecia aqueles temas como problemas prioritários do negócio. Houve investimento, houve esforço, houve intenção. Faltou alinhamento. E sem alinhamento, a iniciativa perde legitimidade antes mesmo de provar valor.
Esses exemplos reforçam um ponto central: escalar IA não depende apenas de infraestrutura. Depende do encontro entre três eixos que precisam avançar juntos.
O primeiro é infraestrutura. Dados organizados, arquitetura definida, stack coerente, critérios claros de acesso, integração com sistemas críticos e ferramentas adequadas ao uso real. Sem isso, não existe escala.
O segundo é governança. É preciso existir um fórum que priorize, discuta riscos, estabeleça critérios, acompanhe resultados e tome decisões sobre o avanço das iniciativas. Na base da Koru, a maior parte das empresas ainda não possui um comitê formal ou estrutura equivalente para tratar do tema. Isso ajuda a explicar por que tantas iniciativas ficam dispersas, fragmentadas ou sem patrocínio claro. IA não escala no improviso.
O terceiro eixo, e talvez o mais negligenciado, é pessoas. Cultura, liderança, desenho organizacional, qualificação, revisão de papéis, incentivos, segurança psicológica para experimentar e clareza sobre o que muda no trabalho. Esse é o ponto que mais tende a definir o sucesso ou o fracasso da adoção. Não por acaso, estudos recentes indicam que a diferença entre empresas que conseguem escalar IA e as que travam está menos na gestão da tecnologia e mais na gestão da mudança humana.
Esse ponto merece atenção especial do RH. Hoje, em muitas empresas, a discussão sobre IA ainda está excessivamente concentrada na área de tecnologia. Isso faz sentido até certo ponto, mas é insuficiente. Porque o desafio já não é apenas técnico. O desafio agora é decidir onde a IA gera valor, quais funções serão redesenhadas, quais habilidades passam a ser críticas, como a liderança deve operar, como mitigar medo, como evitar uso desgovernado e como transformar experimentação em prática sustentável.
O RH precisa estar na mesa dessa discussão não como área de apoio, mas como liderança estratégica. Afinal, é justamente no encontro entre tecnologia e trabalho que surgem as perguntas mais difíceis: o que automatizar, o que preservar, o que transformar, o que capacitar e como fazer isso sem destruir confiança, engajamento e clareza.
Há um dado que considero especialmente revelador. Embora o uso de IA já esteja se popularizando rapidamente entre profissionais, o nível de satisfação com treinamento e capacitação ainda é baixo. E, ao mesmo tempo, vemos uma redução relativa no foco em treinamento em comparação com o crescimento do investimento em IA. É uma contradição perigosa. Estamos acelerando a adoção de ferramentas sem acelerar na mesma medida a capacidade humana de usá-las bem.
Isso fica ainda mais crítico quando olhamos para a liderança. Organizações em que líderes usam IA com frequência, legitimidade e intencionalidade tendem a acelerar muito mais a adoção no restante da empresa. Liderança continua sendo vetor de comportamento. Foi assim em outras grandes transformações e continua sendo assim agora.
Quando a liderança demonstra apoio concreto, usa as ferramentas, faz boas perguntas, orienta prioridades e reduz ambiguidade, a empresa ganha velocidade. Quando isso não acontece, a IA vira ruído, moda passageira ou experimento isolado.
Por isso, a discussão mais importante sobre IA em 2026 não é se ela vai transformar o trabalho. Isso já está em curso. A questão é outra: onde ela vai gerar valor no seu negócio e como sua organização vai se preparar para capturar esse valor com responsabilidade, foco e capacidade de execução.
A IA vem evoluindo rapidamente em maturidade técnica. O grande desafio agora é humano e organizacional. E isso muda tudo. Porque significa que o próximo salto competitivo não estará apenas em adotar ferramentas melhores, mas em construir empresas mais preparadas para decidir, priorizar, experimentar e aprender.
Escalar IA, no fim do dia, não é sobre fazer tudo ao mesmo tempo. É sobre fazer poucas coisas, bem escolhidas, com alto impacto, boa governança e forte conexão com a realidade do negócio. Menos deslumbramento. Mais clareza. Menos corrida por novidade. Mais disciplina de execução.
Muito além do hype, é isso que faz acontecer.
Leia outros artigos de Daniel Spolaor:
