AI First Design

CAPÍTULO 01

IA em toda parte, menos no resultado

A adoção bateu recordes. O retorno, não. Entender essa distância é o primeiro passo para atravessá-la.

Em 2026, perguntar se uma grande empresa usa inteligência artificial deixou de fazer sentido. Praticamente todas usam. A pergunta que importa para conselhos e comitês executivos é outra: onde a IA mudou o resultado do negócio, e quanto?

A resposta honesta, para a maioria das organizações, é desconfortável. Os investimentos cresceram, as licenças se multiplicaram, os pilotos se espalharam pelas áreas. E o efeito no P&L continua difícil de demonstrar. As principais pesquisas internacionais, conduzidas com metodologias e amostras diferentes, chegam a um retrato surpreendentemente parecido.

Uma adoção mais rápida que a da internet

O AI Index 2026, do Instituto de IA Centrada no Humano de Stanford, registra que a IA generativa alcançou cerca de 53% de adoção pela população em três anos, ritmo superior ao do computador pessoal e ao da internet. Nas empresas, 88% das organizações já usam IA em pelo menos uma função de negócio, dez pontos percentuais a mais que no ano anterior, e o investimento corporativo global em IA chegou a US$ 581,7 bilhões em 2025, alta de 130%. A edição 2026 da pesquisa global da McKinsey, com 1.719 respondentes em 97 países, confirma o quadro: quase nove em cada dez organizações usam IA regularmente, e 44% dizem que ela já está escalando pela empresa, contra 38% um ano antes.

Essa velocidade cria uma ilusão perigosa: a de que adoção e transformação são a mesma coisa. Não são. Ter a ferramenta disponível é condição necessária, mas está muito longe de ser suficiente.

O valor está concentrado em poucas empresas

Quando as pesquisas deixam de perguntar "você usa?" e passam a perguntar "quanto valor você captura?", o retrato muda. Na McKinsey, 80% dos respondentes dizem que a IA melhorou sua produtividade individual, mas só 37% atribuem a ela algum impacto no EBIT, número praticamente igual ao de 2025. Os high performers, que atribuem 5% ou mais do EBIT à IA, continuam sendo cerca de 6%. A Deloitte, com mais de 3 mil líderes, encontrou o mesmo descompasso: 74% das organizações querem que a IA aumente receita, mas só 20% viram isso acontecer.

A BCG traz uma notícia melhor, que reforça a tese deste e-book. No Applied AI Index 2026, quase metade das empresas já gera algum valor com IA: 7,5% são "future-built" e 41% estão escalando, contra apenas 5% de empresas com valor substancial no estudo de 2025. Mas o valor continua concentrado: as future-built têm 2,4 vezes o crescimento de receita, 2,8 vezes o crescimento de EBITDA e 2,3 vezes o retorno ao acionista das retardatárias. O que mudou de um ano para o outro não foi a tecnologia disponível, e sim quantas empresas passaram a redesenhar fluxos de ponta a ponta.

Dados recentes apresentados pela Gartner ajudam a explicar por que a maioria ainda não chegou lá: boa parte do valor que as empresas atribuem à IA está medida no lugar errado.

Produtividade não é valor financeiro

A primeira constatação da Gartner é simples e incômoda: tempo economizado não é dinheiro economizado. Um assistente que poupa uma hora por dia de um profissional só gera valor financeiro se essa hora for usada para algo que muda um resultado, ou se o custo daquela atividade de fato diminuir. Na maioria das empresas, nenhuma das duas coisas é planejada. A hora liberada se dissolve em reuniões, e-mails e demandas avulsas.

Os dados mostram isso com clareza. Ao comparar o desempenho médio de profissionais que usam IA com o número de horas que eles dizem economizar por dia, a Gartner não encontrou relação relevante: quem economiza cinco horas por dia tem desempenho praticamente igual ao de quem economiza uma.

A Gartner mostrou também um exemplo real que muitas empresas vão reconhecer. Ao longo de três meses, o número de usuários licenciados de uma ferramenta de IA subiu rapidamente, enquanto o número de usuários ativos ficou próximo de zero. Houve um único pico de uso, no dia da sessão de treinamento, seguido de volta ao patamar anterior. Licenças compradas e treinamento realizado não se converteram em trabalho diferente.

Dinheiro Azul e Dinheiro Verde

Para separar o que é benefício real do que é resultado financeiro, a Gartner propõe distinguir dois tipos de valor. O Dinheiro Azul é valor legítimo, mas sem impacto direto no P&L: não mexe diretamente numa linha de custo ou receita. O Dinheiro Verde causa efeito direto numa linha de custo ou de receita.

O Dinheiro Azul não é irrelevante: satisfação, engajamento e produtividade individual importam. O problema surge quando ele é apresentado ao conselho como se fosse Dinheiro Verde. É exatamente essa confusão que faz tantas empresas acreditarem que a IA está gerando valor, enquanto o resultado financeiro não se move.

O eixo de valor

A Gartner propôs um modelo de "eixo de valor" para posicionar iniciativas de IA em um espectro que vai do incremental (IA do dia a dia) ao transformador (IA que muda o jogo):

Nesse modelo, iniciativas de digitalização e otimização geram valor de produtividade e eficiência — o território do Dinheiro Azul, mais fácil de capturar. À medida que a organização avança para vantagem competitiva e transformação do negócio, entra-se no território de valor de eficácia, agilidade e, no limite, valor para todo o setor — onde mudanças de modelo de negócio se tornam possíveis, como no exemplo citado pelo apresentador de empresas que combinam especialistas de domínio com especialistas em IA para vender consultoria por valor entregue, e não por hora.

A leitura para este e-book é direta: o Dinheiro Verde não vem de mais horas economizadas, e sim de processos, decisões e modelos de negócio redesenhados. Quanto mais à direita no eixo, menos a IA atua como ferramenta e mais ela exige que a empresa mude o próprio jeito de operar.

Um dado de 2025 ainda circula muito nessa discussão. O relatório The GenAI Divide, do Projeto NANDA, do MIT, concluiu que 95% das organizações estudadas não viam retorno mensurável da IA generativa no resultado. Era um relatório preliminar, com amostra limitada, e as pesquisas de 2026 mostram um quadro menos extremo. Mas o diagnóstico do MIT sobre a causa, apresentado mais adiante, continua válido.

O que os poucos que capturam valor fazem diferente

Se a tecnologia está disponível para todos, por que tão poucos colhem resultado? As pesquisas apontam para a mesma resposta, e ela não é técnica.

Eles redesenham o trabalho. Na pesquisa da McKinsey de 2026, quase três quartos dos high performers redesenharam fundamentalmente seus fluxos de trabalho em torno da IA, contra 55% no ano anterior. Entre os demais respondentes, só cerca de um quarto fez o mesmo. Na BCG, as empresas que combinam clareza estratégica sobre onde a IA cria valor com aplicação profunda nos fluxos de trabalho geram cinco vezes mais valor do que as que não fazem nenhuma das duas coisas.

Eles miram crescimento e transformação, não só eficiência. Os high performers da McKinsey buscam crescimento e inovação junto com eficiência e são 3,3 vezes mais propensos a pretender transformar o próprio negócio com IA nos próximos três anos.

A liderança assume e mede. Os high performers são duas vezes mais propensos a ter alta liderança comprometida com as iniciativas de IA e duas vezes mais propensos a ter processos definidos para medir o impacto delas. Na BCG, 95% das future-built medem a IA pelo P&L ou por indicadores equivalentes, e as empresas que acompanham o valor diretamente no P&L capturam três vezes mais valor do que as que não medem formalmente.

A tecnologia é igual para todos. O desenho do trabalho, não.

A "lacuna de aprendizado"

O relatório do MIT dá nome ao mecanismo da falha: lacuna de aprendizado. A maioria das ferramentas corporativas de IA não retém feedback, não se adapta ao contexto da empresa e não melhora com o uso. Elas funcionam bem em uma demonstração e se perdem quando encontram a operação real, com suas exceções, sistemas legados e regras não escritas.

Três achados do estudo ajudam a orientar decisões práticas:

• Os profissionais já cruzaram a fronteira por conta própria. Há uma "economia paralela" de IA: funcionários usando ferramentas pessoais no dia a dia, mesmo quando os projetos corporativos travam. A demanda existe; o que falta é integrar a IA ao fluxo da empresa.
• O retorno aparece onde se investe menos. Mais da metade dos orçamentos de IA generativa vai para vendas e marketing, mas o maior retorno medido estava no back-office: redução de terceirização, de custos com agências e de trabalho administrativo repetitivo.
• Parcerias especializadas chegam mais longe. Soluções construídas com parceiros especializados chegaram à produção em cerca de 67% dos casos, contra cerca de um terço das construídas apenas internamente. A diferença não é de propriedade do código, e sim de quem é responsável por fechar a lacuna de aprendizado ao longo do tempo.

A onda agêntica amplia a aposta, e o risco

Os agentes de IA, sistemas que planejam e executam tarefas de várias etapas com ferramentas, elevam o potencial e também a chance de frustração. A BCG mostra que as empresas se preparam para dar autoridade de decisão aos agentes mais rápido do que conseguem governá-los: 42% esperam conceder autonomia a agentes até 2030, mas só 5% têm hoje o conjunto completo de controles necessário. Ao mesmo tempo, o Gartner projeta que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custos crescentes, valor de negócio pouco claro ou controles de risco insuficientes, e alerta para o "agent washing": produtos antigos rebatizados de agentes.

As duas previsões não se contradizem. Elas descrevem o mesmo fenômeno visto de lados diferentes: agentes colados em processos antigos multiplicam custo e risco; agentes inseridos em processos redesenhados multiplicam valor. É exatamente essa diferença que os próximos capítulos exploram.

CAPÍTULO 02

A lição da eletricidade

Tecnologias de propósito geral só pagam quando o sistema é redesenhado em torno delas. A história mostra o padrão, e o custo de ignorá-lo.

Em 1987, o economista Robert Solow resumiu uma frustração da época com uma frase que ficou famosa: era possível ver a era do computador em toda parte, menos nas estatísticas de produtividade. As empresas compravam computadores em ritmo acelerado, e a produtividade agregada não se mexia. O mesmo desconforto aparece hoje com a IA.

Três anos depois, um economista de Stanford mostrou que esse paradoxo não era novo. E que a explicação estava menos na tecnologia do que na forma como as empresas se organizavam em torno dela.

O motor elétrico na fábrica a vapor

Em 1990, Paul David publicou The Dynamo and the Computer, um estudo histórico sobre a chegada da eletricidade às fábricas americanas. A lâmpada elétrica existia desde 1879 e as primeiras centrais geradoras começaram a operar em Nova York e Londres por volta de 1881. Ainda assim, um observador em 1900 teria encontrado pouca evidência de que a eletricidade estivesse tornando a indústria mais eficiente.

O motivo estava no chão de fábrica. A fábrica a vapor era um edifício construído em torno de uma única fonte de força: uma grande máquina central movia um eixo, e uma rede de correias e polias distribuía essa força para cada máquina. Quando a eletricidade chegou, a primeira reação dos industriais foi trocar a máquina a vapor por um grande motor elétrico e manter o resto. Os mesmos eixos, as mesmas correias, o mesmo layout. O ganho foi pequeno.

A virada só veio quando os engenheiros deixaram de pensar em "substituir a fonte de força" e passaram a redesenhar a fábrica. Com um motor em cada máquina, o chamado unit drive, as máquinas podiam ser posicionadas segundo o fluxo do produto, e não segundo a geometria do eixo. Vieram fábricas térreas, mais leves, mais iluminadas, com linhas de produção organizadas pela sequência do trabalho. Novos produtos e novos modelos de operação se tornaram possíveis. A produtividade da manufatura americana deu um salto nos anos 1920, cerca de quatro décadas depois da comercialização da eletricidade.

As fábricas não ficaram mais produtivas quando trocaram o vapor pela eletricidade. Ficaram quando deixaram de ser desenhadas em torno de um eixo.

O mesmo filme com o computador e com a internet

David escreveu seu estudo justamente para dizer que o paradoxo do computador seguiria o roteiro da eletricidade. Em 1990, o mundo estava à mesma distância da invenção do microprocessador que um observador de 1900 estava das primeiras centrais elétricas. Os ganhos de produtividade associados à tecnologia da informação só se tornaram visíveis nas estatísticas americanas no fim dos anos 1990.

A pesquisa empírica das décadas seguintes, em boa parte liderada por Erik Brynjolfsson, hoje diretor do Digital Economy Lab de Stanford, mostrou por quê. As empresas que obtiveram retorno com computadores foram as que fizeram, junto, mudanças organizacionais: descentralizaram decisões, redesenharam processos, investiram em capacitação e mudaram incentivos. A tecnologia sozinha não explicava o ganho. A combinação de tecnologia com novas práticas de gestão explicava.

A internet repetiu a lição em outra camada. Os maiores ganhos não vieram de colocar o catálogo impresso numa página web, mas de modelos de negócio que só existiam porque a rede existia: marketplaces, serviços digitais, operações orientadas por dados. No início dos anos 1990, Michael Hammer já resumia o espírito na Harvard Business Review: em vez de automatizar o processo existente, é preciso eliminá-lo e redesenhá-lo.

A curva J: por que a produtividade cai antes de subir

Em 2021, Brynjolfsson, Daniel Rock e Chad Syverson deram forma econômica a essa intuição em The Productivity J-Curve. O argumento é que tecnologias de propósito geral, como a IA, exigem grandes investimentos complementares: redesenho de processos, novos produtos e modelos de negócio, capital humano. Esses investimentos são, em boa parte, intangíveis e quase não aparecem nas contas.

O resultado é um padrão em forma de J. No início, as empresas gastam recursos construindo capacidades que ainda não geram produção mensurável, e a produtividade medida parece estagnar ou cair. Depois, quando esses ativos intangíveis amadurecem, a produtividade sobe mais rápido do que os gastos correntes sugeririam. Ajustando os dados americanos por esses intangíveis ligados a hardware e software, os autores estimaram uma produtividade total dos fatores 15,9% acima da oficial no fim de 2017.

A lição para o executivo é direta. Quem julga a IA apenas por métricas de produtividade de curto prazo tende a cortar o investimento justamente no fundo da curva, quando a maior parte do esforço já foi feita e os ganhos ainda não apareceram. Por outro lado, a curva J não é uma promessa automática: ela só sobe para quem de fato fez os investimentos complementares. Quem comprou a tecnologia e não redesenhou nada fica no vale.

Do ponto ao sistema

Os economistas Ajay Agrawal, Joshua Gans e Avi Goldfarb, da Universidade de Toronto, oferecem a ponte entre a história e a estratégia em Power and Prediction (2022). Eles distinguem três tipos de solução. As soluções pontuais melhoram uma tarefa ou decisão dentro do sistema existente. As soluções de aplicação são mais amplas, mas ainda não exigem mudança estrutural. As soluções de sistema redesenham quem decide o quê e como as decisões se encadeiam. Os autores usam a mesma analogia da eletricidade: a primeira onda trouxe eficiência energética; a segunda, o layout flexível, as fábricas térreas e a linha de montagem.

Duas conclusões do livro sustentam esta obra. Primeira: a maior parte da adoção de IA hoje é pontual, e soluções pontuais tendem a reforçar o sistema existente, sendo fáceis de copiar. Segunda: as soluções de sistema são mais difíceis, mais lentas e mais disruptivas, e é nelas que está o maior retorno, com vencedores e perdedores em cada setor.

O que é diferente desta vez

A analogia com a eletricidade tem limites, e eles importam. A IA se difunde muito mais rápido: não exige construir usinas e redes de transmissão antes de chegar ao usuário. E ela atua sobre algo que nenhuma tecnologia anterior alcançou com essa profundidade: o trabalho cognitivo, a análise, a redação, a recomendação e, cada vez mais, a decisão. Isso torna o redesenho mais amplo, porque alcança cargos, carreiras e identidade profissional, e mais urgente, porque a janela entre pioneiros e retardatários é mais curta.

Há também quem duvide do tamanho do impacto, e o argumento merece atenção. Daron Acemoglu, do MIT, Nobel de Economia em 2024, estimou que o efeito da IA sobre a produtividade total dos fatores dos Estados Unidos seria de no máximo 0,66% em dez anos, se os ganhos vierem de economia de custo em tarefas isoladas. A leitura que este e-book propõe é que a estimativa é coerente com o cenário de "IA colada em tarefas". O potencial maior depende de novas tarefas, novos produtos e sistemas redesenhados, que é exatamente o caminho que poucas empresas estão percorrendo.

CAPÍTULO 03

AI First é modelo de operação, não tecnologia

A empresa AI First não é a que tem mais ferramentas. É a que reorganizou trabalho, decisões e papéis em torno de equipes de pessoas e agentes.

"Ser AI First" virou expressão comum em apresentações corporativas. Na maior parte das vezes, ela significa comprar licenças, criar um centro de excelência ou estabelecer uma meta de casos de uso. Nenhuma dessas iniciativas é inútil, mas nenhuma delas, sozinha, muda a forma como a empresa funciona.

A McKinsey, no estudo que inspira parte deste e-book, observa que declarações genéricas sobre "virar AI First" podem até aumentar a ansiedade dos funcionários, porque prometem uma mudança sem dizer o que muda. Este capítulo propõe uma definição operacional.

De ferramenta a colega de trabalho

A pesquisa anual do MIT Sloan Management Review com a BCG, publicada em novembro de 2025 com mais de 2.100 executivos, mostra o quanto a percepção mudou. Para 76% dos respondentes, a IA agêntica se parece mais com um colega de trabalho do que com uma ferramenta. Entre as organizações mais avançadas no uso de agentes, 66% esperam mudanças no modelo operacional, contra 42% das que estão começando. Os executivos esperam que a parcela de tarefas realizadas com IA dobre em três anos, de 23% para 46%. E 45% dos adotantes mais intensivos esperam reduzir camadas de gestão intermediária.

Essa mudança de percepção tem consequências práticas. Ferramentas são compradas, implantadas e treinadas. Colegas de trabalho são integrados a equipes, recebem responsabilidades, precisam de contexto, são supervisionados e avaliados. A gestão de agentes, como argumentam os autores da pesquisa, combina práticas de gestão de ativos com práticas de gestão de pessoas, e não cabe inteiramente em nenhum dos dois modelos tradicionais.

A "Frontier Firm"

O Work Trend Index 2025, da Microsoft com o LinkedIn, ouviu 31 mil profissionais em 31 países e descreveu o surgimento do que chamou de Frontier Firm: uma organização construída sobre inteligência disponível sob demanda, equipes híbridas de pessoas e agentes e um novo papel para cada profissional, o de "gestor de agentes", alguém que constrói, delega e supervisiona agentes para ampliar seu impacto. O estudo propõe uma métrica nova para a gestão: a razão humano-agente, ou quantos agentes cada função precisa e quantas pessoas são necessárias para orientá-los.

Vale a ressalva: Microsoft, BCG e McKinsey têm interesse comercial no tema. Por isso este e-book combina essas pesquisas com estudos acadêmicos independentes. E, nesse ponto, a academia converge: o MIT CISR acompanha a maturidade de IA das empresas há anos e encontrou uma relação clara entre maturidade e desempenho financeiro.

Maturidade se paga a partir do terceiro estágio

O modelo de maturidade de IA do MIT Center for Information Systems Research, baseado em pesquisa com 721 empresas, descreve quatro estágios. No primeiro, experimentar e preparar (28% das empresas), o foco é letramento e identificação de oportunidades. No segundo, construir pilotos e capacidades (34%), surgem os primeiros casos e as bases de dados. No terceiro, industrializar a IA (31%), a empresa cria arquitetura escalável e reutilizável, torna dados e resultados transparentes e desenvolve uma cultura de testar e aprender. No quarto, a IA passa a estar embutida nas decisões de toda a organização, e algumas empresas chegam a vender capacidades de IA como serviço.

O achado central é financeiro: empresas nos dois primeiros estágios têm desempenho abaixo da média do seu setor; empresas nos estágios três e quatro, acima. A passagem do segundo para o terceiro estágio é precisamente a passagem de pilotos isolados para formas de trabalho redesenhadas.

Três níveis de redesenho

Juntando a história do capítulo anterior com as pesquisas atuais, é possível organizar o caminho em três níveis. Eles ajudam a responder com honestidade em que ponto a empresa está.

O nível 1 é útil e quase sempre necessário: é onde as pessoas aprendem o que a tecnologia faz. O problema é confundi-lo com transformação. O nível 2 já gera resultados mensuráveis, desde que o fluxo tenha sido redesenhado e não apenas acelerado. O nível 3 é onde estão as vantagens difíceis de copiar, porque envolve mudanças simultâneas em processos, estrutura, incentivos e, muitas vezes, na própria proposta de valor ao cliente.

O que muda no modelo operacional

Um modelo operacional AI First não se resume a um novo organograma. Ele altera ao mesmo tempo vários componentes que normalmente são geridos por áreas diferentes.

A tabela mostra por que a transformação AI First não pode ser conduzida apenas pela área de tecnologia. Cada linha tem um dono diferente: operações, finanças, RH, jurídico, dados. É por isso que a próxima pergunta não é "qual tecnologia?", e sim "qual método garante que essas peças mudem juntas?". O capítulo 4 apresenta a resposta da triggo.ai.

CAPÍTULO 04

O framework triggo.ai AI First Design

Sete princípios, cinco dimensões e um ciclo de método. E uma escolha deliberada: o redesenho do trabalho tem o maior peso.

Em cinco anos implementando plataformas de dados, produtos de dados e sistemas agênticos para empresas no Brasil e nos Estados Unidos, a triggo.ai viu o mesmo padrão se repetir. Os projetos que geraram valor não tinham necessariamente o melhor modelo; tinham o melhor desenho. Redesenharam o fluxo, as decisões e os papéis antes de escolher a tecnologia. Os que não escalaram colaram a IA em processos pensados para outra época.

Dessa experiência nasceu o framework AI First Design. Ele organiza a transformação em cinco dimensões e atribui a cada uma um peso. O peso maior vai para o desenho do trabalho, porque é ali que, na prática, se decide se a IA vira resultado.

Sete princípios

1. Resultado antes da tarefa. O desenho começa no valor para o cliente e para o negócio, e não no organograma ou no procedimento atual. Uma tarefa só sobrevive ao redesenho se contribuir para esse resultado.
2. A decisão é a unidade de desenho. A IA barateia a previsão; o julgamento continua sendo humano ou passa a ser compartilhado. Desenhar com IA é decidir quem julga o quê, com que informação e com que direito de decisão.
3. Agência humana explícita por tarefa. Cada tarefa recebe um nível de envolvimento humano, escolhido pelo risco e pelo valor, e não pelo que a ferramenta permite. O capítulo 5 apresenta a escala de cinco níveis proposta por Stanford.
4. Momentos de julgamento são desenhados, não improvisados. Os pontos em que o agente recomenda e a pessoa decide são roteirizados, ensaiados e revisados, considerando que a capacidade da IA é irregular entre tarefas parecidas.
5. Contexto é infraestrutura. A "lacuna de aprendizado" descrita pelo MIT é, na prática, uma lacuna de contexto: dados, conhecimento, regras e memória da empresa organizados para que agentes possam usá-los com segurança.
6. Medir trabalho melhor, não uso. Tempo de ciclo, qualidade, custo por tarefa, carga de revisão humana e valor por fluxo substituem logins, licenças e volume de prompts.
7. Aprender mais rápido que o concorrente. O destino final não é conhecido. A vantagem está na velocidade com que a organização transforma experimentos em novas formas de trabalhar.

Cinco dimensões e seus pesos

O framework avalia e conduz a transformação em cinco dimensões. Os pesos indicam onde está a diferença entre as empresas que capturam valor e as que não capturam. São o ponto de partida do índice de prontidão AI First da triggo.ai e são refinados a cada ciclo de assessment.

Por que esses pesos

O estudo da McKinsey que acompanha este e-book descreve o padrão das transformações agênticas bem-sucedidas como 1:3:5: para cada dólar investido em tecnologia, três vão para o redesenho de processos e cinco para capacitação e adoção. A maioria das empresas inverte essa proporção.

Os pesos do AI First Design conversam com esse padrão. Plataforma, agentes e governança somam 10% do peso de avaliação, próximo do "1". Desenho e contexto somam 50%, o "3" do redesenho. Pessoas e intenção estratégica somam 40%, o "5" da adoção. A diferença da visão triggo.ai está em tratar o desenho como dimensão própria e dominante, em vez de uma etapa dentro da gestão da mudança. Na experiência da empresa, quando o desenho fica implícito, a mudança passa a ensinar as pessoas a usar ferramentas num processo que continua o mesmo.

Peso baixo não significa importância baixa. Sem plataforma confiável, segurança e governança, nada escala; sem dados e contexto, os agentes erram. O peso indica outra coisa: onde está, hoje, a diferença entre quem captura valor e quem não captura. Plataformas de nuvem e modelos de IA estão cada vez mais acessíveis a todos. O desenho do trabalho e a capacidade de mudar, não.

O ciclo de método

O framework é aplicado domínio a domínio, em ciclos curtos. Cada ciclo percorre cinco etapas.

1. Descobrir. Mapear domínios de valor, fluxos críticos e a semana real das pessoas que fazem o trabalho. Medir a linha de base.
2. Redesenhar. Desenhar o fluxo "como seria hoje": decisões, níveis de agência humana, momentos de julgamento e novos papéis.
3. Construir. Contexto, produtos de dados, agentes e controles, em entregas curtas e com o negócio dentro do time.
4. Adotar. Jornada de mudança por perfil de profissional, líderes como primeiros usuários, multiplicadores e apoio no próprio fluxo de trabalho.
5. Operar e aprender. Medir valor por fluxo, custo por tarefa e nível de confiança; reinvestir nos casos que mais ensinam e iniciar o próximo domínio.

O ciclo se repete porque o destino não é fixo. A cada volta, a organização aprende algo que muda o desenho seguinte, e a tecnologia disponível também mudou.

Como o framework se conecta às capacidades da triggo.ai

Cada dimensão corresponde a um conjunto de capacidades que a triggo.ai oferece aos clientes: assessments de maturidade e prontidão AI First; workshops executivos de liderança; redesenho de processos e decisões; camada de contexto empresarial e produtos de dados; fábrica agêntica, AgentOps e FinOps de agentes; política de uso responsável de IA; e avaliação de habilidades de IA de profissionais e equipes. Os próximos capítulos detalham cada dimensão na prática.

CAPÍTULO 05

Redesenhar processos e decisões

A unidade de desenho não é a tarefa nem o sistema: é a decisão. Um método em oito passos para redesenhar um fluxo com pessoas e agentes.

Redesenhar com IA é diferente de automatizar. A automação pergunta como fazer mais rápido o que já se faz. O redesenho pergunta o que precisa ser feito, por quem e com que grau de autonomia, se o processo fosse criado hoje. Este capítulo transforma essa pergunta em método.

Oito passos do redesenho

1. Escolher o domínio pelo valor, não pela facilidade. Fluxos com alto volume, linha de base mensurável e impacto em cliente ou custo vêm primeiro. O MIT encontrou o maior retorno da IA generativa no back-office, embora a maior parte dos orçamentos vá para vendas e marketing.
2. Mapear a semana real das pessoas. Não o procedimento oficial, mas o que acontece de fato: quanto tempo vai para análise, para conferência, para retrabalho, para pedidos avulsos.
3. Inventariar decisões, não apenas tarefas. Para cada decisão do fluxo: quem decide, com que dados, com que frequência e qual o custo de um erro.
4. Atribuir um nível de agência humana a cada tarefa. De "o agente executa sozinho" a "a pessoa é indispensável", considerando risco, valor, regulação e a preferência de quem faz o trabalho.
5. Desenhar os momentos de julgamento. Onde o agente recomenda e a pessoa decide: o que ela precisa ver para confiar, quanto tempo tem, como registra quando discorda.
6. Redesenhar o fluxo inteiro "como seria hoje". Eliminar etapas que só existiam por limitação humana ou de sistema. Não automatizar o que deveria desaparecer.
7. Definir a razão humano-agente e os novos papéis. Quantos agentes o fluxo usa, quem os orienta, quem os supervisiona e quem responde pelo resultado.
8. Fixar as métricas de trabalho melhor. Tempo de ciclo, qualidade, custo por tarefa, carga de revisão humana, experiência do cliente e valor por fluxo.

A semana real de um papel

O estudo da McKinsey que acompanha este e-book dá um exemplo do segundo passo. Numa transformação de varejo europeia, a equipe analisou a semana de um gerente de categoria: 50% a 60% do tempo em estratégia e planejamento, 15% a 20% em gestão de fornecedores e o restante em análise de desempenho e demandas avulsas. No desenho futuro, agentes passam a coletar dados, preparar relatórios e perseguir exceções; o gerente se concentra em estratégia, relação com fornecedores e decisões que exigem julgamento. Esses momentos de julgamento foram roteirizados antes, ensaiados nos pilotos e ajustados com o feedback.

O valor desse exercício está na especificidade. Programas genéricos de mudança, desenhados para "a força de trabalho", raramente mudam comportamento. Mapas da semana de papéis concretos mostram o que muda, o que continua humano e onde o agente entra.

Quanto de agência humana cada tarefa precisa

O passo mais delicado é decidir o grau de autonomia. Pesquisadores de Stanford, com participação do Digital Economy Lab, propuseram em 2025 uma linguagem comum para isso: a Escala de Agência Humana, com cinco níveis, de H1 (o agente faz a tarefa sozinho) a H5 (o envolvimento humano é essencial). Eles aplicaram a escala a 844 tarefas de 104 ocupações, ouvindo 1.500 trabalhadores e 52 especialistas em IA, e criaram a base WORKBank.

Três achados do estudo são úteis para quem redesenha processos. Primeiro, a "parceria igual" (H3) foi o nível preferido pelos trabalhadores em 47 das 104 ocupações: as pessoas querem colaborar com agentes, e não ser substituídas nem ignorá-los. Segundo, os trabalhadores tendem a preferir mais agência humana do que os especialistas consideram tecnicamente necessária, o que antecipa atritos à medida que a capacidade da IA avança. Terceiro, ao cruzar desejo dos trabalhadores e capacidade técnica, o estudo separa tarefas em quatro zonas: "sinal verde" para automação (desejada e viável), "sinal vermelho" (viável, mas indesejada), oportunidade de pesquisa (desejada, mas ainda inviável) e baixa prioridade.

Para o executivo, a implicação é prática: começar o redesenho pelas tarefas da zona verde, tratar com cuidado a zona vermelha e envolver quem faz o trabalho na escolha do nível de agência. A adoção é mais rápida quando as pessoas participam dessa escolha.

A fronteira irregular e os momentos de julgamento

Por que o julgamento humano precisa ser desenhado, e não deixado ao acaso? Um experimento da Harvard Business School com a BCG, publicado em 2026 na revista Organization Science, responde. Com 758 consultores, os pesquisadores mostraram que, em tarefas dentro da capacidade da IA, quem usava a ferramenta completou mais tarefas, mais rápido e com qualidade cerca de 40% maior. Numa tarefa desenhada para ficar fora dessa capacidade, porém, o uso da IA reduziu a taxa de acerto.

Os autores chamaram o fenômeno de fronteira tecnológica irregular: tarefas que parecem igualmente difíceis para uma pessoa podem estar de lados opostos da capacidade da IA. Em outro estudo, Fabrizio Dell'Acqua mostrou um efeito complementar: quando a IA é muito boa, as pessoas tendem a "dormir ao volante" e deixam de verificar. O redesenho precisa, portanto, criar pontos de verificação deliberados nos lugares certos, e não supervisão difusa em tudo.

Um exemplo ilustrativo: contas a pagar

O exemplo abaixo, montado pela triggo.ai a partir de padrões comuns de back-office, mostra a diferença entre automatizar e redesenhar o mesmo fluxo.

No nível 1, o analista faz o mesmo trabalho com menos digitação. No redesenho, a conferência deixa de ser o centro do processo, a fila de aprovação perde sentido para a maior parte dos casos e o papel do analista muda de natureza. É esse segundo tipo de mudança que aparece no resultado.

Três lições do caso valem para qualquer setor. A primeira é que o redesenho começou pelo indicador de negócio, e não pela ferramenta: a pergunta foi onde agir antes do custo, e só depois quais agentes construir. A segunda é que a autonomia variou por decisão: total nos casos simples e dentro das regras, compartilhada na auditoria e apenas de apoio nas decisões clínicas e de relacionamento. A terceira é que o resultado aparece diretamente numa linha do P&L, a sinistralidade, o que coloca o caso no território do Dinheiro Verde descrito no capítulo 1.

CAPÍTULO 06

Pessoas, papéis e talentos na empresa humano-agente

As evidências mostram uma IA que amplia mais do que substitui, mas que já muda quem é contratado e como se aprende. O desenho de papéis precisa acompanhar.

Nenhum tema gera mais ansiedade nas conversas sobre IA do que o emprego. E nenhum tema sofre tanto com simplificações, nos dois sentidos: nem a substituição em massa anunciada a cada novo modelo, nem a garantia de que nada vai mudar. As melhores pesquisas disponíveis em 2026 desenham um quadro mais preciso, e mais útil para quem precisa decidir.

A IA difunde o conhecimento dos melhores

O primeiro grande estudo de IA generativa no trabalho real foi conduzido por Erik Brynjolfsson, de Stanford, com Danielle Li e Lindsey Raymond, do MIT. Eles acompanharam 5.172 atendentes de suporte de uma empresa de software que recebeu um assistente de IA. A produtividade, medida em problemas resolvidos por hora, subiu 15% em média. O ganho foi muito desigual: os profissionais menos experientes melhoraram em velocidade e qualidade, enquanto os mais experientes tiveram ganhos pequenos.

A explicação dos autores é reveladora. O assistente havia aprendido com os registros dos melhores atendentes e passou a distribuir esse conhecimento tácito, como a forma de acalmar um cliente irritado ou o documento técnico certo para cada caso, para toda a equipe. Agentes com dois meses de casa e apoio da IA passaram a ter desempenho comparável ao de colegas com mais de seis meses sem a ferramenta.

Há duas consequências de desenho organizacional. A primeira: o conhecimento tácito dos melhores profissionais vira um ativo da empresa, e os sistemas de reconhecimento e incentivo precisam valorizar quem gera esse conhecimento, e não apenas quem entrega volume. A segunda: a curva de aprendizado de novos profissionais pode encurtar, o que muda o desenho de integração e de carreira.

O sinal de alerta está na porta de entrada

O estudo Canaries in the Coal Mine?, do Digital Economy Lab de Stanford, usa dados de folha de pagamento de milhões de trabalhadores americanos. A versão revisada em agosto de 2026 traz seis fatos. Não há deslocamento amplo de empregos associado à IA na economia como um todo. Mas o emprego de jovens de 22 a 25 anos em ocupações muito expostas à IA está cerca de 19% abaixo de onde estaria se acompanhasse o de colegas da mesma idade em ocupações menos expostas. Os profissionais experientes não mostram essa diferença.

O ajuste acontece principalmente pela redução de contratações de jovens, e não por demissões. E a queda se concentra em ocupações em que a IA é usada para substituir tarefas; onde ela é usada para complementar o trabalho, o emprego está estável ou crescendo. Os autores apresentam esses dados como indicadores iniciais e descritivos, não como estimativas causais definitivas.

Se a IA substitui o trabalho de entrada, de onde virão os profissionais seniores de 2035?

Essa é uma pergunta de desenho organizacional, não apenas de política pública. Profissionais experientes se formam fazendo trabalho de entrada. Empresas que eliminarem esse degrau sem redesenhar a forma de aprender vão economizar hoje e pagar com falta de talentos amanhã. O redesenho AI First precisa incluir trilhas de aprendizagem em que juniores aprendem com agentes e supervisionando agentes, e não apenas competindo com eles.

Habilidades que ganham e perdem valor

O McKinsey Global Institute estima que até 57% das horas de trabalho nos Estados Unidos são tecnicamente automatizáveis com a tecnologia atual, e que mais de 70% das habilidades humanas procuradas hoje pelos empregadores continuarão relevantes. O futuro do trabalho, na leitura do instituto, é uma parceria de habilidades entre pessoas, agentes e robôs. A pesquisa WORKBank, de Stanford, aponta na mesma direção: habilidades centradas em processar informação perdem destaque, enquanto habilidades interpessoais, de organização e de decisão sob ambiguidade ganham.

O estudo da McKinsey sobre adoção agêntica traduz isso para o RH: contratar por resiliência, agilidade de aprendizado, julgamento e capacidade de se relacionar; desenvolver a habilidade de reimaginar fluxos de trabalho, a qualidade das decisões e a ética na colaboração com IA.

Novos papéis na empresa humano-agente

Capacitação no fluxo de trabalho

Treinamentos pontuais combinam mal com uma tecnologia que muda a cada poucas semanas. O estudo da McKinsey descreve uma empresa global de tecnologia que colocou coaches de IA dentro das equipes de engenharia, na proporção de um coach para cada cinco a dez profissionais. Eles participavam das cerimônias e retrospectivas das equipes, ajudavam a resolver problemas de fluxo e refinavam práticas de uso e revisão. A experimentação virou hábito mais rápido do que com treinamento tradicional.

Uma arquitetura de certificação em níveis, conectada a carreiras, completa o desenho. Ela mostra ao profissional o caminho de crescimento e dá ao gestor uma forma de acompanhar a evolução. As pessoas se engajam mais quando enxergam como é o trabalho de maior valor e percebem que a empresa pretende investir na carreira delas.

CAPÍTULO 07

Liderar a mudança sem conhecer o destino

A transformação AI First não tem ponto de chegada definido. Por isso, gestão da mudança não basta: é preciso liderança da mudança, contínua e embutida no trabalho.

A gestão de mudança tradicional foi criada para transformações com destino conhecido: um novo sistema, uma nova estrutura, um novo processo. Comunicação planejada, treinamentos programados, painéis de indicadores e um plano de implantação funcionam bem quando a resposta já está definida. A transformação AI First não é assim.

O estudo How to close the agentic adoption gap, publicado pela McKinsey em agosto de 2026, chama esse tipo de transformação de reinvenção, ou mudança "C4": não se trata de ir do ponto A ao ponto B, mas de reimaginar um sistema inteiro rumo a um destino ainda desconhecido. As ferramentas mudam em semanas e o modelo operacional final não pode ser definido antes, porque tecnologia e trabalho evoluem juntos.

Quatro medos que travam a adoção

A mudança agêntica toca em algo mais profundo do que aprender um novo sistema. Um agente que redige, analisa, recomenda e decide mexe com a percepção de competência, de julgamento e de relevância de cada profissional. O estudo identifica quatro medos no centro da resistência:

• Medo de ser descoberto. A maioria das pessoas não sabe por onde começar e tem receio de admitir. Fazer uma pergunta básica ou testar um agente na frente de colegas parece confessar atraso. O resultado não é recusa, é paralisia disfarçada de ocupação.
• Medo de responsabilidade sem controle. Se o agente erra e a pessoa age com base nele, o erro continua sendo dela. Enquanto não estiver claro o quanto os agentes são confiáveis e como funciona a revisão humana, a confiança será frágil.
• Medo do desconhecido. As pessoas atravessam mudanças melhor quando enxergam o destino. Aqui, nem os líderes conseguem descrevê-lo com precisão.
• Medo de perder a relevância profissional. O mais profundo e o mais difícil de admitir: se o agente faz a análise e a síntese que levei anos para dominar, qual é minha contribuição agora?

Juntos, esses medos explicam por que tantas organizações obtêm imitação em vez de adoção: o fluxo que parece transformado no papel e não mudou na prática, o profissional que concorda e não altera nada, a ferramenta implantada e pouco usada. Ler isso como resistência a ser vencida é interpretar mal o sinal. O medo convive, nas mesmas pessoas, com entusiasmo genuíno pelo que a IA permite. O papel da liderança não é eliminar o medo, mas impedir que ele congele o comportamento.

Os gestores intermediários vivem a versão mais intensa do desafio. Precisam traduzir a visão em rotina enquanto conduzem outros programas de mudança, quase sem tempo para experimentar. Na pesquisa da McKinsey, 25% deles se dizem ansiosos com as mudanças trazidas pela IA, contra cerca de 20% nos demais níveis. E profissionais que confiam pouco no apoio da organização durante a transformação são 1,5 vez mais propensos a se sentir ansiosos.

De gestão a liderança da mudança

A reformulação proposta é trocar "mudança" por "aprendizado". Quando as pessoas acreditam que a organização está aprendendo o caminho junto com elas, a resistência diminui, experimentos viram evidência e erros viram conteúdo de aprendizagem. A pergunta deixa de ser "estamos fazendo certo?" e passa a ser "estamos aprendendo mais rápido que a concorrência?".

Isso exige de líderes um comportamento pouco natural para executivos: admitir incerteza. O estudo observa que líderes que reconhecem que ainda estão descobrindo o caminho aceleram mais a adoção do que os que apresentam narrativas estratégicas confiantes. A meta passa de conformidade para capacidade: não importa se o funcionário concluiu o treinamento, importa se ele está redesenhando o próprio trabalho mais rápido do que no trimestre anterior.

A jornada de adoção, etapa por etapa

O estudo organiza a jornada em cinco etapas encadeadas: consciência, crença, compromisso, desenvolvimento e reforço. A triggo.ai acrescenta a cada etapa o medo que ela precisa destravar e um sinal mensurável de que foi vencida.

Alguns exemplos do estudo mostram como isso acontece na prática. Uma empresa europeia de bens de consumo levou seus cem principais líderes a um programa intensivo de três dias: meio dia para desmistificar a tecnologia, meio dia experimentando ferramentas com mentalidade de principiante e um dia inteiro trabalhando em problemas reais do negócio. Um banco global mobilizou mais de 2 mil multiplicadores de IA, que visitavam equipes, faziam demonstrações curtas e funcionavam como um sistema de escuta sobre onde a adoção avançava ou travava. A diferença em relação a programas tradicionais de "embaixadores" é que esses multiplicadores tinham autoridade por uso comprovado, e não por influência.

O estudo chama atenção para uma assimetria comum: a alta liderança passa dias em imersões sobre a tecnologia, enquanto a linha de frente recebe uma apresentação de dez minutos e a orientação de começar a usar. A mensagem implícita é que a transformação pertence à liderança e é imposta aos demais. O momento do compromisso, a decisão pessoal de tentar, é a dobradiça de toda a jornada, e o mais frequentemente deixado ao acaso.

O papel de cada liderança

Particularidades do contexto brasileiro

Algumas características do ambiente brasileiro merecem atenção no desenho da mudança. Culturas organizacionais mais hierárquicas tornam o exemplo da liderança ainda mais decisivo: se o diretor não usa, a equipe não arrisca. Mudanças de função e de jornada envolvem a legislação trabalhista e, em muitos setores, negociação com sindicatos, o que pede transparência desde o início. O uso de dados pessoais por agentes precisa estar alinhado à LGPD. E a governança de IA ganha espaço na agenda regulatória do país. Nenhum desses pontos impede a transformação; todos pedem que ela seja desenhada com antecedência, e não corrigida depois.

CAPÍTULO 08

Medir trabalho melhor, não uso

Licenças ativas e volume de prompts dizem se a ferramenta está ligada. Não dizem se o trabalho melhorou. Um sistema de métricas para a empresa AI First.

O que se mede define o que se gerencia. E a maioria das transformações com IA mede as coisas erradas. Logins, licenças, volume de prompts e número de chamadas a agentes são fáceis de coletar e aparecem bem em apresentações. Mas não respondem à única pergunta que interessa: o trabalho ficou melhor, mais rápido, mais seguro ou mais valioso?

O estudo da McKinsey sobre adoção agêntica é direto nesse ponto: a maior parte das transformações fracassa justamente na etapa de reforço, porque continua medindo uso. A alternativa é ligar a adoção ao desempenho do processo e, à medida que o uso amadurece, acrescentar disciplina econômica.

Três camadas de métricas

Um sistema de métricas para a transformação AI First tem três camadas, que entram em momentos diferentes.

Um exemplo de medição orientada a resultado

O estudo da McKinsey cita a Salesforce como exemplo de reforço orientado a resultado. Com seu produto de agentes, a empresa acompanha a adoção junto com resultados operacionais, como a parcela de casos de suporte que os agentes resolvem de forma autônoma e a redução no tempo de resolução. A lição vale além desse caso: a IA se torna durável quando a organização mede se o trabalho ficou melhor, e não apenas se as pessoas estão usando a ferramenta.

Tokens no P&L

Com agentes em produção, o consumo de tokens deixa de ser um detalhe técnico e vira linha de custo relevante. Agentes não dormem: rodam o tempo todo, chamam outros agentes e consomem recursos mesmo quando ninguém está olhando. O papel do CFO, como descreve o estudo, é fornecer o orçamento para tokens, restringir a reposição automática de pessoas e exigir que a produtividade combinada de pessoas e tokens aumente.

Isso pede uma disciplina de FinOps aplicada a agentes: atribuir custo por fluxo e por agente, definir limites e alertas, escolher modelos adequados a cada tarefa e revisar periodicamente o custo por tarefa. Sem ela, a adoção ineficiente gera custos de tokens, computação, governança e supervisão sem melhora proporcional de desempenho.

Orçamento: o teste do 1:3:5

Uma forma rápida de avaliar se a transformação está equilibrada é comparar a distribuição do orçamento com o padrão 1:3:5. Se a maior parte do investimento está em licenças, plataforma e desenvolvimento de agentes, e quase nada em redesenho de processos, capacitação e adoção, a empresa provavelmente está construindo o nível 1 e chamando de transformação.

Como na curva J do capítulo 2, os investimentos em redesenho e pessoas são majoritariamente intangíveis e demoram a aparecer no resultado. Por isso precisam de metas intermediárias de aprendizado, e não apenas de retorno financeiro no primeiro ano. O CFO, segundo o estudo, deve tratar experimentos como um portfólio de capital de risco: poucos geram a maior parte do valor, e a disciplina está em não cortar cedo demais os que estão ensinando algo à organização.

CAPÍTULO 09

Confiança e governança como habilitadores

Controles embutidos no desenho aceleram a adoção. Controles acrescentados depois apenas a freiam.

É comum tratar governança de IA como o departamento do "não": a área que aprova, restringe e atrasa. Na transformação AI First, a lógica se inverte. Sem confiança, as pessoas não delegam trabalho aos agentes; sem controles claros, a liderança não autoriza escala. Governança bem desenhada é o que permite ir mais rápido.

Por que tantos projetos agênticos vão parar

A projeção do Gartner de que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027 aponta três causas: custos crescentes, valor de negócio pouco claro e controles de risco insuficientes. A consultoria também observa que muitos casos apresentados como agênticos nem precisariam de agentes, e que só uma fração dos fornecedores que usam o rótulo entrega capacidades agênticas reais.

As duas primeiras causas foram tratadas nos capítulos sobre redesenho e métricas. A terceira é o tema deste capítulo. Ao mesmo tempo, o mesmo Gartner projeta que pelo menos 15% das decisões do dia a dia de trabalho serão tomadas de forma autônoma por IA agêntica até 2028. A questão, portanto, não é se agentes vão decidir, mas em quais decisões, com quais limites e sob qual supervisão.

Os dois riscos humanos: desconfiança e confiança cega

O capítulo 7 mostrou que o medo de responsabilidade sem controle trava a adoção. O capítulo 5 mostrou o risco oposto: quando a IA é boa, as pessoas tendem a "dormir ao volante" e deixam de verificar. O objetivo da governança não é maximizar a confiança, e sim calibrá-la: as pessoas devem confiar nos agentes onde eles são confiáveis e desconfiar onde a fronteira de capacidade é irregular.

Isso tem implicações concretas de desenho: mostrar ao usuário as fontes e o grau de confiança de cada recomendação; sinalizar quando a situação foge do padrão para o qual o agente foi testado; registrar e analisar as discordâncias entre pessoas e agentes; e definir com clareza quem responde por cada decisão.

Autonomia proporcional ao risco

Uma forma prática de decidir o grau de autonomia de cada agente é cruzar duas perguntas: qual o impacto de um erro e quanta autonomia se pretende dar.

Governança desde o desenho

Na pesquisa da McKinsey de 2025, cerca de metade das organizações que usam IA relatou ao menos uma consequência negativa, sendo a imprecisão a mais comum. As empresas que capturam valor tendem a embutir a governança na fase de desenho, em vez de acrescentar controles depois. Na prática, isso significa que cada fluxo redesenhado nasce com seis elementos:

1. Política de uso responsável. Regras claras sobre o que pode e o que não pode ser feito com IA, que dados podem ser usados e quem aprova exceções.
2. Contexto governado. Os dados, documentos e regras que os agentes consultam têm dono, qualidade conhecida e permissões de acesso. Governar o contexto é a extensão natural da governança de dados.
3. Avaliação antes e durante a operação. Testes com casos reais do negócio, incluindo os que estão fora da fronteira de capacidade, repetidos a cada mudança de modelo ou de regra.
4. Observabilidade e trilha de decisão. Registro do que o agente consultou, recomendou e fez, e de quando uma pessoa interveio.
5. Níveis de agência explícitos. O H1 a H5 de cada tarefa, documentado e revisado, define o que o agente pode fazer sem aprovação.
6. Resposta a incidentes. Um plano para desligar, reverter e comunicar quando algo dá errado. A confiança perdida faz equipes recuarem na jornada de adoção; a forma de reagir ao incidente define quanto elas recuam.

No Brasil, esses elementos precisam conversar com a LGPD e com a evolução do marco regulatório de IA. Uma governança desenhada desde o início facilita a adaptação a novas exigências, porque a trilha de decisão e o controle de dados já existem.

Os níveis de autonomia vão do agente que apenas responde (L0) ao que recomenda (L1), executa com aprovação (L2), executa dentro de limites definidos, como conceder descontos até um teto (L3), negocia dentro de parâmetros (L4) e, no limite, opera com autonomia crítica, reservada a casos de alto controle (L5). A supervisão humana resulta do cruzamento desse nível com o risco da ação: tarefas de baixo risco podem ser automáticas mesmo com autonomia alta, enquanto a combinação de autonomia alta com ação de alto risco é proibida.

Na prática, essas dimensões se organizam em quatro blocos sob um modelo operacional corporativo, porque governança de IA não é função de TI, é capacidade da empresa:

A ideia central cabe em uma frase: no agente, o guardrail protege a ação. O motor de políticas bloqueia a execução, e a trilha de auditoria responde por que o agente agiu. É isso que permite dar autonomia aos agentes onde ela gera valor, sem perder o controle onde o risco é alto.

CAPÍTULO 10

2030: quem lidera a corrida

O novo modelo operacional está sendo desenhado agora. O tamanho da mudança ficará claro depois de 2030, e quem esperar pelos casos de referência chegará tarde.

Ninguém sabe ainda como será a empresa típica de 2035. Assim como os industriais de 1900 não podiam prever a linha de montagem, os executivos de hoje não conseguem descrever com precisão o modelo operacional que a IA tornará padrão. O que se pode afirmar com segurança é que esse padrão está sendo definido nestes anos, por empresas que estão aprendendo mais rápido que as outras.

Sinais de que a transição está acelerando

• A BCG estima que agentes passem de 17% para 29% do valor total gerado por IA entre 2025 e 2028.
• O Gartner projeta que pelo menos 15% das decisões do dia a dia de trabalho serão tomadas de forma autônoma por IA agêntica até 2028, contra zero em 2024, e que um terço dos softwares corporativos incluirá capacidades agênticas.
• Executivos ouvidos pelo MIT Sloan Management Review e pela BCG esperam que a parcela de tarefas feitas com IA dobre em três anos.
• A IA generativa atingiu cerca de metade da população em três anos, segundo o AI Index 2026, de Stanford. A difusão da tecnologia já não é o gargalo; o redesenho organizacional é.

Por que esperar custa caro

O valor da IA se acumula de forma composta. As empresas future-built da BCG reinvestem os ganhos em novas capacidades de pessoas e tecnologia, planejam gastar mais que o dobro das retardatárias em IA e esperam, até 2028, o dobro do aumento de receita e reduções de custo 40% maiores nas áreas em que aplicam IA. Cada ciclo de aprendizado torna o seguinte mais rápido: o contexto já está organizado, as pessoas já sabem redesenhar, a governança já existe.

Há também um efeito menos óbvio. Quando os primeiros casos de referência de um setor amadurecerem, eles vão redefinir o que clientes, investidores e talentos esperam. Uma seguradora que liquida sinistros simples em minutos, um distribuidor que ajusta preços e estoques continuamente, um banco que atende pequenas empresas com a profundidade antes reservada a grandes clientes: cada um desses movimentos muda a régua do setor inteiro. Quem estiver começando nesse momento terá de recuperar anos de aprendizado organizacional, algo que não se compra pronto.

Três perfis de empresa em 2030

Esses perfis são uma projeção editorial da triggo.ai, construída sobre a dinâmica de valor composto descrita pelas pesquisas. Não são destinos inevitáveis. A diferença entre eles depende de decisões tomadas nos próximos trimestres, não da tecnologia que estará disponível em 2030.

CAPÍTULO 11

Por onde começar: da estratégia ao MVP

Um programa em quatro estágios, em que cada um consome o resultado do anterior e reduz a incerteza: do amplo e estratégico ao específico e executável.

A tentação, depois de um diagnóstico como o deste e-book, é lançar um grande programa com dezenas de frentes. A experiência mostra que esse caminho tende a reproduzir o problema que se quer resolver: muitos pilotos, pouco redesenho, nenhuma mudança no sistema operacional da empresa.

A triggo.ai organiza o começo da jornada em quatro estágios. O primeiro tem escopo amplo, poucas decisões e alto impacto. O último tem escopo específico, muitas decisões e execução garantida. Cada estágio responde a uma pergunta diferente e entrega ao seguinte o que ele precisa para avançar.

Etapa 0 · AI Vision: onde queremos vencer com IA?

Em workshops de dois a cinco dias com o comitê executivo, a empresa define sua direção estratégica para a IA e a North Star que vai orientar todas as escolhas seguintes. É aqui que o letramento da alta liderança, tratado no capítulo 7, se converte em decisão. O resultado é uma ambição validada pelos executivos, escrita em termos de negócio e não de tecnologia.

Etapa 1 · AI Blueprint: como vamos construir e governar?

Em cerca de 80 horas, conduzidas a quatro mãos com o cliente, o AI Blueprint transforma a ambição em estratégia executável. É um assessment estruturado, baseado nos domínios de estratégia e governança de IA do Gartner, que compõe o planejamento estratégico de IA da organização em dez pilares, organizados em três fases.

O Blueprint também estrutura um Centro de Excelência de IA, responsável por estratégia, capacitação e projetos piloto, e define os padrões de governança, os critérios de priorização e a forma de medir resultados. É ele que cria a esteira governada para levar pilotos à produção, discutida no capítulo 3.

Etapa 2 · AI Discovery: o que fazemos primeiro, e agora?

Portfólio de IA não é uma lista estática. Novos casos surgem, prioridades mudam e a tecnologia avança. O AI Discovery mantém a priorização viva: um processo contínuo, com a primeira versão entregue em cerca de 40 horas, em que um agente de IA apoia a coleta, a avaliação e a ordenação dos casos de uso segundo a North Star e os critérios definidos no Blueprint. É o próprio princípio AI First aplicado à gestão do portfólio de IA.

Etapa 3 · AI Use Cases: como especificamos para construir?

Os casos priorizados recebem, sob demanda, uma especificação em profundidade: o fluxo redesenhado, as decisões e os níveis de autonomia, o ROI esperado, a viabilidade técnica e de dados e a prontidão para o MVP. É aqui que entram o método de redesenho do capítulo 5, as métricas do capítulo 8 e os controles do capítulo 9. O resultado é um requisito pronto para ser construído com engenharia avançada, e não mais uma ideia de piloto.

O que muda com essa sequência

A ordem importa. Sem o AI Vision, a priorização vira disputa entre áreas. Sem o AI Blueprint, os pilotos funcionam e não chegam à produção. Sem o AI Discovery, o portfólio envelhece em poucos meses. Sem a especificação dos casos de uso, o MVP repete o processo antigo com IA colada. Percorrida em sequência, a jornada leva a empresa do "onde queremos vencer" ao "o que construímos amanhã" com decisões explícitas em cada passo.

ANEXO A

Autodiagnóstico AI First

Vinte e cinco afirmações nas cinco dimensões do framework. O índice aplica os pesos do AI First Design e aponta onde está a maior alavanca.

O autodiagnóstico é mais útil quando respondido separadamente por cada membro do comitê executivo e discutido em conjunto: as diferenças de percepção costumam dizer tanto quanto a nota. Ele não substitui um assessment completo, que inclui entrevistas, análise de processos e dados.

ANEXO B

Glossário

Os termos usados ao longo do e-book, em ordem alfabética.

ANEXO C